Senza randomizzazione: come si progetta uno studio di Real-World Evidence

Supponiamo di voler sapere se un certo farmaco riduce la mortalità nei pazienti con insufficienza cardiaca. Apriamo il database, identifichiamo i pazienti trattati e quelli non trattati, confrontiamo la sopravvivenza. I trattati stanno meglio. Possiamo concludere che il farmaco funziona?

No, non possiamo affermare ciò. Eppure tutto sembra abbastanza lineare: è sempre un confronto tra trattati e non trattati. Qual è il problema?

Quando lavoriamo in un contesto sperimentale, assegniamo casualmente i pazienti a due gruppi e larandomizzazionebilancia tutto — l’età, la gravità della malattia, le comorbilità, le abitudini, i fattori che non abbiamo misurato e quelli che non sappiamo nemmeno di dover misurare. Quando invece – come nel nostro esempio – osserviamo chi ha ricevuto un certo trattamento nella pratica reale, quel bilanciamento non c’è. Solitamente i pazienti più gravi ricevono trattamenti diversi da quelli meno gravi. I medici con più esperienza fanno scelte diverse. I centri con più risorse gestiscono casi diversi. Ogni confronto tra gruppi porta con sé il rischio di confrontare non solo i trattamenti, ma i contesti e le persone che li hanno ricevuti.

Forse i pazienti trattati stanno meglio non perché il farmaco funziona, ma perché erano già meno gravi all’inizio. O perché erano seguiti in centri con più risorse. O perché il medico che ha prescritto quel farmaco era anche quello più attento al follow-up. Nessuno di questi scenari è visibile nel semplice confronto dei due gruppi.

Progettare uno studio RWE significa affrontare questo problema prima di aprire il dataset, non dopo. Significa costruire, con la logica, quello che la randomizzazione faceva automaticamente.

Il trial perfetto ed i suoi limiti strutturali

Per capire perché la progettazione di uno studio RWE è così delicata, bisogna prima capire cosa e cosa non può fare un trial randomizzato.

Un RCT funziona così: si seleziona un gruppo di pazienti che soddisfano criteri precisi di inclusione ed esclusione, si assegnano casualmente a due o più gruppi, si somministrano i trattamenti in condizioni standardizzate, si misurano gli esiti secondo un protocollo fisso. La randomizzazione è il cuore del meccanismo: distribuendo casualmente i pazienti tra i gruppi, la randomizzazion bilancia in media tutti i fattori, noti e ignoti, che potrebbero influenzare l’esito. Il risultato è la misura più affidabile possibile dell’effetto causale di un intervento.

Ma questa forza ha un prezzo. I criteri di selezione rigorosi costruiscono una popolazione di studio che nella pratica clinica reale non esiste. I pazienti anziani con comorbilità multiple vengono spesso esclusi. Chi ha già ricevuto trattamenti simili viene escluso. Chi non può rispettare un follow-up regolare viene escluso. Il risultato è un campione altamente selezionato, in condizioni ideali, con un’aderenza monitorata e incentivata che nella realtà non si riprodurrà mai.

In statistica questa capacità di generalizzare i risultati di uno studio alla popolazione reale si chiamavalidità esterna. Gli RCT hannovalidità internaaltissima: quello che misurano, lo misurano bene. Ma la validità esterna è spesso limitata. E la domanda che rimane senza risposta (Questo intervento funziona anche nel mio paziente, in questa struttura, in questa condizione?) è precisamente la domanda che la ricerca con dati real-world cerca di affrontare.

RCT e RWE non sono in competizione: rispondono a domande diverse. Il trial stabilisce se un intervento funziona in condizioni ideali. La ricerca osservazionale verifica se quell’efficacia si mantiene nella pratica reale, su quali pazienti, in quali contesti, per quanto tempo. Il punto di partenza della progettazione di uno studio RWE è sempre questa consapevolezza: si sta cercando di rispondere a una domanda che il trial non può porre — non di sostituire il trial.

[approfondimento urls=”https://www.mathslyresearch.com/metodi-statistici-real-world-evidence-propensity-score/, https://www.mathslyresearch.com/bias-ricerca-medica-come-riconoscerli/,https://www.mathslyresearch.com/real-world-data-cosa-sono-ricerca-clinica/”]

La Target Trial Emulation: pensare prima di calcolare

Il principio più potente che la metodologia RWE abbia sviluppato negli ultimi vent’anni ha un nome che suona quasi filosofico:Target Trial Emulation— l’emulazione del trial target. L’idea, nella sua semplicità radicale, è questa: prima di toccare i dati, descrivi il trial randomizzato ideale che vorresti condurre se potessi. Definiscilo in ogni dettaglio: chi includeresti, cosa confronteresti, da quando partiresti, cosa misureresti. Poi usa i dati osservazionali per emularlo: cerca di riprodurre, con le scelte metodologiche, le condizioni che quel trial avrebbe garantito con la randomizzazione.

Sembra un esercizio teorico. Non lo è. Applicare questo approccio cambia radicalmente il modo di fare ricerca osservazionale — e lo cambia in un senso preciso: avvicina il contesto reale a quello sperimentale non falsificando i dati, ma imponendo al ricercatore un rigore che i dati da soli non garantirebbero mai.

Il meccanismo è semplice ma potente: chi emula un trial target è costretto a essere esplicito sulla domanda di ricerca prima di guardare i dati. E questa sequenza — prima la domanda, poi i dati — è esattamente l’opposto di quello che accade naturalmente nella ricerca osservazionale, dove la tentazione di adattare la domanda a ciò che i dati mostrano è sempre presente. La Target Trial Emulation inverte la direzione: prima definisci cosa vuoi sapere, poi vedi se i dati ti permettono di rispondere. Non il contrario.

I componenti del trial target

Un trial target ben specificato ha sette componenti, ciascuna con un corrispondente preciso nelle scelte metodologiche dello studio osservazionale.

I criteri di eleggibilità definiscono chi avrebbe partecipato al trial e nella pratica determinano la coorte di studio: quali pazienti includere, in quale finestra temporale, con quali caratteristiche basali. Le strategie di trattamento specificano cosa si confronta con cosa, non solo in termini di molecola ma di dosi, durata, modalità. L’assegnazione al trattamento — casuale nel trial, osservata nella realtà — è il punto in cui entra il confondimento, e dove le scelte metodologiche devono lavorare di più.

Il momento di inizio del follow-up — la data indice — è uno dei punti più delicati, e torneremo su di esso tra poco. Gli esiti specificano cosa si misura, come e quando. Il periodo di follow-up definisce la durata dell’osservazione. L’analisi principale stabilisce come si gestiscono i pazienti che cambiano terapia, abbandonano il follow-up, sperimentano eventi intermedi.

La Target Trial Emulation non è una tecnica statistica. È un modo di pensare prima di calcolare. Chi salta questo passaggio e apre direttamente il dataset si espone a errori che nessun metodo statistico, per quanto sofisticato, potrà correggere dopo.

La data indice e l’immortal-time bias

Tra i componenti del trial target, la data indice merita attenzione speciale perché è la fonte di uno deibiaspiù insidiosi della ricerca osservazionale: l’immortal-time bias.

Il principio è questo: il follow-up di ciascun paziente deve iniziare nel momento in cui inizia il rischio, cioè nel momento in cui teoricamente avrebbe potuto ricevere il trattamento. Se il follow-up inizia prima, si crea un periodo in cui il paziente è già nel gruppo dei trattati ma non ha ancora ricevuto il trattamento. Un periodo durante il quale, per definizione, non può manifestare l’esito perché è ancora vivo e in osservazione. Questo periodo viene erroneamente attribuito al trattamento, facendolo sembrare protettivo anche quando non lo è.

Un esempio concreto: si vuole valutare se un farmaco prescritto dopo un ricovero riduca la mortalità. Il farmaco viene prescritto in media una settimana dopo la dimissione. Se il follow-up inizia alla dimissione, e non alla prescrizione, tutti i pazienti che muoiono in quella prima settimana finiscono nel gruppo dei non trattati, perché sono morti prima di poter ricevere la terapia. Il gruppo dei trattati è artificialmente arricchito di sopravvissuti. Il farmaco sembra protettivo, ma l’effetto è un artefatto metodologico — non una proprietà della molecola.

D: Cos’è la Target Trial Emulation e perché è importante nella ricerca osservazionale?

R: La Target Trial Emulation è un approccio metodologico che chiede al ricercatore di descrivere, prima di analizzare qualsiasi dato, il trial randomizzato ideale che vorrebbe condurre. Definire in anticipo criteri di eleggibilità, trattamenti da confrontare, data indice e esiti di interesse impone un rigore che i dati osservazionali da soli non garantiscono — e riduce il rischio di adattare la domanda di ricerca ai dati disponibili invece di fare il contrario.

Il confondimento: il problema che non si elimina, si gestisce

Anche con una Target Trial Emulation impeccabile, un problema rimane ed è il più difficile da affrontare: il confondimento. È il cuore metodologico della ricerca osservazionale, e vale la pena capirlo bene prima di vedere come si controlla.

Un confondente è una variabile che influenza sia la probabilità di ricevere il trattamento sia l’esito che stiamo misurando. Il caso più frequente nella ricerca clinica è la gravità della malattia: i pazienti più gravi tendono a ricevere trattamenti più aggressivi, e tendono anche ad avere esiti peggiori. Se confrontiamo i pazienti che hanno ricevuto il trattamento più aggressivo con quelli che non lo hanno ricevuto, vediamo un esito peggiore nel primo gruppo, ma non perché il trattamento sia nocivo. Perché chi lo ha ricevuto stava già peggio prima.

Questo tipo di distorsione ha un nome preciso:confondimento da indicazione, ossia il trattamento viene scelto proprio in base alle caratteristiche che influenzano l’esito. È la distorsione più frequente e più pericolosa della ricerca osservazionale. Non esiste un modo per eliminarla completamente: si può solo gestirla, ridurla, quantificarla, e essere onesti su quanto residuo rimane.

La distinzione più importante è quella tra confondenti misurati e non misurati. I primi sono quelli che abbiamo nei dati — età, sesso, comorbilità, farmaci concomitanti, valori di laboratorio — e si possono aggiustare statisticamente. I secondi sono quelli che non abbiamo: stile di vita, rete sociale, motivazione del paziente, esperienza del medico, mille altri fattori che influenzano sia la scelta del trattamento sia l’esito ma non vengono mai registrati nelle cartelle cliniche. Il confondimento non misurato non si corregge con la statistica: è il limite strutturale degli studi osservazionali, e riconoscerlo esplicitamente fa parte del rigore metodologico.

I DAG: pensare le relazioni prima di modellarle

Prima di decidere quali variabili includere nel modello statistico, esiste uno strumento concettuale che troppo spesso viene saltato: iDirected Acyclic Graphs, o DAG. Sono diagrammi causali — grafi in cui le frecce rappresentano relazioni causali tra variabili — e servono a rispondere a una domanda che sembra ovvia ma non lo è: quali variabili devo includere nel modello per controllare il confondimento senza introdurne di nuovo?

La risposta intuitiva — includo tutto quello che ho — è sbagliata. I mediatori, cioè le variabili che si trovano sul percorso causale tra trattamento ed esito, non devono essere aggiustati: farlo significa bloccare parte dell’effetto che si vuole misurare. I collider — variabili che sono effetti comuni sia del trattamento sia dell’esito — non devono essere aggiustati: farlo apre percorsi spuri che creano associazioni artificiali.

Pensa al DAG come a una mappa del territorio causale che devi attraversare. Prima di muoverti, vuoi sapere dove sono le strade, dove sono i vicoli ciechi, dove sono le trappole. Il DAG ti dà questa mappa. Chi analizza dati osservazionali senza costruirne uno — anche informalmente, anche solo su carta — sta navigando senza strumenti.

I bias principali: una mappa del territorio

Il confondimento non è l’unico problema. La ricerca osservazionale è esposta a distorsioni sistematiche diverse, ciascuna con un meccanismo proprio. Conoscerle non è un esercizio accademico: è il modo per riconoscerle nel proprio studio prima che compromettano i risultati.

Bias	Cosa succede	Esempio concreto
Confondimento da indicazione	I pazienti più gravi ricevono il trattamento più aggressivo	Il farmaco sembra meno efficace perché lo ricevono i casi più difficili
Immortal-time bias	Un periodo in cui l’evento non può verificarsi viene attribuito all’esposizione	Chi sopravvive abbastanza a lungo da ricevere il trattamento sembra stare meglio — ma stava già meglio prima
Prevalent-user bias	Si includono pazienti già in terapia da tempo, escludendo chi ha smesso precocemente	Il campione è selezionato: chi è ancora in terapia dopo mesi ha già superato gli effetti avversi precoci
Channeling bias	La scelta del trattamento è guidata dalla gravità della malattia	Il farmaco più aggressivo viene dato ai casi più gravi — e sembra meno efficace per il contesto, non per la molecola

La caratteristica comune a tutti questi bias è che non sono visibili nei dati. Non si vede l’immortal-time bias guardando le variabili del dataset. Si vede solo se si ragiona sul processo che ha generato i dati — e per questo la fase di progettazione è più importante della fase di analisi.

New-user design e comparatore attivo: due scelte che prevengono i bias

Due scelte di disegno meritano attenzione particolare perché affrontano bias specifici in modo strutturale — prima ancora che statistico.

Ilnew-user designprevede di selezionare i pazienti nel momento in cui iniziano per la prima volta un trattamento, escludendo chi è già in terapia da tempo. La logica è semplice: chi è ancora in terapia dopo mesi o anni è sopravvissuto agli effetti avversi precoci e ha mostrato una tolleranza che non è rappresentativa di tutti i pazienti che iniziano quella terapia. Includere questi sopravvissuti seleziona artificialmente una popolazione favorevole e sottostima gli effetti avversi precoci. Partire dai nuovi utenti risolve il problema alla radice.

Ilcomparatore attivoprevede di confrontare il trattamento di interesse non con l’assenza di trattamento, ma con un trattamento alternativo. Se confronto trattati con non trattati, rischio di confrontare pazienti che hanno ricevuto un’indicazione terapeutica con pazienti che non l’hanno ricevuta — per definizione, due popolazioni diverse. Se confronto farmaco A con farmaco B, entrambi i gruppi hanno ricevuto un’indicazione analoga, riducendo il confondimento da indicazione.

Le scelte di disegno sono scelte causali, non tecniche.Decidere chi includere nel campione, da quando seguirlo, con chi confrontarlo, quali variabili modellare — queste decisioni determinano quale domanda si sta effettivamente rispondendo. La statistica viene dopo. E nessuna tecnica statistica, per quanto sofisticata, può correggere un disegno sbagliato. Chi apre il dataset senza aver risposto a queste domande non sta facendo ricerca osservazionale rigorosa: sta raccontando una storia che i dati non possono smentire — perché non sono stati interrogati nel modo giusto.