Strumenti diversi per dati diversi: la statistica della Real-World Evidence

Immagina di aver completato la progettazione del tuo studio: hai definito la coorte, specificato il trial target che vuoi emulare, identificato i confondenti principali con un DAG. Adesso apri il dataset. E adesso — solo adesso — entra la statistica.

Ma qui emerge un problema che molti ricercatori sottovalutano: gli strumenti statistici standard, quelli che si imparano nei corsi di biostatistica e che si usano di default, sono stati pensati per dati sperimentali — dati in cui la randomizzazione ha già fatto il lavoro di bilanciare i gruppi (vedi articolo). Applicarli ai dati osservazionali senza adattamenti è come usare una livella per misurare la temperatura: lo strumento è preciso, ma risponde a una domanda diversa da quella che stai ponendo.

Il risultato non è rumore casuale: è distorsione sistematica. I gruppi non sono bilanciati, i confronti non sono equi e le stime che ottieni riflettono non solo l’effetto del trattamento ma tutto il confondimento che non hai controllato. Puoi avere dati perfetti, un disegno impeccabile, e produrre comunque conclusioni fuorvianti se scegli lo strumento sbagliato.

Gli strumenti che vedremo in questo articolo nascono esattamente per rispondere a questo problema. Non sono versioni più complicate degli strumenti standard: sono strumenti pensati per una struttura di dati diversa, con una logica diversa. Capire quella logica — prima ancora dei dettagli tecnici — è quello che permette di usarli bene.

Il problema da risolvere: bilanciare senza randomizzare

Nel trial randomizzato, la casualità fa una cosa precisa: distribuisce i pazienti tra i gruppi in modo che, in media, tutte le loro caratteristiche siano bilanciate. Età, gravità della malattia, comorbilità, abitudini, fattori misurati e non misurati — tutto si distribuisce equamente tra trattati e controlli. Questo bilanciamento è la garanzia che il confronto tra i gruppi misuri l’effetto del trattamento e non l’effetto di essere un certo tipo di paziente.

Neidati real-worldquesto bilanciamento non esiste. I pazienti più gravi ricevono trattamenti diversi. I centri con più risorse gestiscono casi diversi. Le scelte terapeutiche sono guidate da centinaia di fattori clinici e contestuali. Il risultato è che i gruppi che vogliamo confrontare — trattati e non trattati, o trattati con farmaco A vs farmaco B — differiscono sistematicamente per caratteristiche che influenzano anche l’esito.

Il compito degli strumenti statistici per la RWE è ricostruire artificialmente quel bilanciamento — non con la randomizzazione, che non c’è e non può essere applicata a posteriori, ma con la matematica. L’idea di fondo è sempre la stessa: fare in modo che il confronto tra i gruppi avvenga tra pazienti che siano il più possibile simili sotto tutti gli aspetti rilevanti, così che la differenza negli esiti possa essere attribuita al trattamento e non al contesto.

Bilanciare senza randomizzare è un’operazione impossibile da fare perfettamente — ci sarà sempre confondimento residuo. Ma fatta bene, riduce la distorsione a un livello accettabile. Non farla, lascia la distorsione intatta — e spesso invisibile.

Il propensity score: riassumere il confondimento in un numero

Nel 1983, Paul Rosenbaum e Donald Rubin introdussero ilpropensity scorecon un’idea che, nella sua eleganza, avrebbe trasformato la ricerca osservazionale: invece di aggiustare separatamente per ogni fattore confondente — un compito impossibile quando i confondenti sono decine — si può riassumere tutta l’informazione confondente in un singolo numero. Questo numero è la probabilità che un paziente riceva il trattamento, date le sue caratteristiche osservate.

In pratica, si stima il propensity score con un modello di regressione logistica: si usa l’insieme delle covariate basali per predire chi ha ricevuto il trattamento e chi no. Il modello non serve a predire l’esito — serve a capire cosa ha determinato l’assegnazione al trattamento nella pratica reale.

Il propensity score ha una proprietà fondamentale. Quando un paziente trattato e uno non trattato hanno lo stesso score, significa che — rispetto a tutto quello che abbiamo misurato — sono simili sotto tutti gli aspetti che potrebbero influenzare l’esito. Le loro caratteristiche osservate sono bilanciate. È, in un certo senso, ciò che la randomizzazione fa automaticamente — ma limitato a ciò che si è misurato. Il limite cruciale è proprio quello: il propensity score non può bilanciare ciò che non è nei dati. Le variabili non misurate, i fattori che nessuno ha registrato — restano fuori, e nessuna sofisticazione del modello può recuperarli.

Come si usa il propensity score

Una volta stimato, il propensity score può essere usato in modi diversi. Il più intuitivo è ilmatching: si accoppia ogni paziente trattato con uno o più non trattati che hanno uno score simile. Il risultato è una coorte in cui i due gruppi sono bilanciati sulle covariate osservate — come se fossero stati quasi-randomizzati. Il vantaggio è la trasparenza: si lavora su una coorte concreta e il confronto è diretto. Lo svantaggio è che si perdono pazienti: chi non trova un match adeguato viene escluso.

In alternativa, il propensity score può essere usato per stratificare la popolazione in classi omogenee di rischio, o inserito direttamente come covariata nel modello di esito. Queste opzioni mantengono tutti i pazienti nell’analisi ma sono meno immediate da interpretare. La scelta tra queste varianti dipende dalla domanda di ricerca e dalla struttura dei dati — non esiste una risposta universalmente corretta.

L’Inverse Probability Weighting: costruire la popolazione ideale

Il propensity score, come abbiamo visto, può essere usato per il matching — selezionare coppie di pazienti simili e confrontarle. Ma esiste un modo diverso di usare la stessa informazione, che invece di scartare i pazienti senza match li tiene tutti dentro, ribilanciandoli con un peso. Si chiamaInverse Probability Weighting— IPW — ed è concettualmente l’approccio più vicino alla randomizzazione.

L’idea è questa: a ogni paziente viene assegnato un peso inversamente proporzionale alla probabilità di ricevere il trattamento che ha effettivamente ricevuto — probabilità stimata, ancora una volta, con il propensity score. Più è improbabile che quel paziente ricevesse quel trattamento, più alto è il suo peso nell’analisi. Meno è sorprendente, più basso è il peso.

Un esempio rende il meccanismo concreto. Immagina un paziente anziano con molte comorbilità: la sua probabilità di ricevere un trattamento aggressivo è bassa — i medici tendono ad essere cauti. Se questo paziente lo ha ricevuto comunque, è un caso insolito. Il suo peso nell’analisi viene aumentato, perché rappresenta una situazione rara e informativa: un paziente ad alto rischio che ha ricevuto il trattamento. Al contrario, un paziente giovane e sano ha un’alta probabilità di essere trattato. Se lo è stato, non sorprende — e il suo peso viene ridotto, perché non aggiunge molta informazione rispetto a quello che già sappiamo.

Il risultato di questo ribilanciamento è una popolazione pesata in cui il trattamento non è più associato alle caratteristiche del paziente — come se fosse stato assegnato casualmente. Su questa popolazione artificiale si stima l’effetto del trattamento: è la pseudo-randomizzazione che l’IPW costruisce, non selezionando pazienti come nel matching, ma pesandoli.

L’IPW ha però un punto debole: quando alcuni pazienti hanno propensity score estremi — vicini a zero o a uno — i loro pesi diventano enormi, rendendo le stime instabili e dominate da pochi soggetti. Come un’altalena con tutto il peso su un lato: tecnicamente funziona, ma basta un piccolo spostamento per perdere l’equilibrio. La soluzione è il trimming — escludere i pazienti con score estremi — o la stabilizzazione dei pesi.

I metodi doppiamente robusti: quando un modello solo non basta

Sia il propensity score sia l’IPW condividono una vulnerabilità strutturale: dipendono entrambi da un modello statistico — quello che stima la probabilità di trattamento. Se quel modello è mal specificato — se include le variabili sbagliate, se assume una relazione lineare dove non lo è, se ignora interazioni importanti — tutto quello che viene dopo è distorto. E nella pratica, con dati complessi e decine di variabili, specificare correttamente quel modello è tutt’altro che banale.

Il problema non è teorico. Un propensity score mal stimato bilancia male i gruppi — e un bilanciamento apparente che nasconde squilibri reali è peggio di nessun bilanciamento, perché dà una falsa sicurezza. Un IPW basato su uno score errato costruisce una popolazione pseudo-randomizzata che non lo è davvero.

Imetodi doppiamente robustinascono proprio da questa consapevolezza: invece di dipendere da un solo modello, ne usano due. Uno per il trattamento — il propensity score — e uno per l’esito. La loro proprietà chiave è che la stima finale rimane corretta anche se uno dei due modelli è mal specificato — purché l’altro lo sia. È come avere due testimoni indipendenti: basta che uno dei due dica la verità perché il risultato sia affidabile.

Le tecniche più diffuse sono l’Augmented Inverse Probability Weighting(AIPW) e ilTargeted Maximum Likelihood Estimation(TMLE). Negli ultimi anni, questi metodi sono stati integrati con algoritmi di machine learning per stimare i modelli interni — un approccio che permette di catturare relazioni non lineari e interazioni complesse senza doverle specificare a priori, riducendo ulteriormente il rischio di errori di specificazione.

La doppia robustezza non è un invito a essere approssimativi su entrambi i modelli sperando che uno salvi l’altro. È una rete di sicurezza contro errori inevitabili in contesti complessi. La differenza è sottile ma importante: uno strumento di protezione, non una scusa per la superficialità.

Le g-methods: quando il confondimento cambia nel tempo

Gli strumenti descritti finora affrontano il confondimento basale — le differenze tra i gruppi al momento dell’inizio del trattamento. Ma in molti studi clinici reali il confondimento è più complicato: cambia nel tempo, ed è influenzato dal trattamento stesso.

Immagina uno studio sulla terapia antiretrovirale nell’HIV. La conta dei CD4 — un indicatore della funzione immunitaria — è un confondente importante: influenza sia la decisione di trattare sia la progressione della malattia. Ma la conta dei CD4 cambia nel tempo, ed è influenzata dal trattamento stesso. Se aggiusto per la conta dei CD4 in un modello standard, blocco parte dell’effetto del trattamento che passa proprio attraverso di essa. Se non aggiusto, lascio aperto il confondimento. Non c’è un modo di uscire da questo paradosso con i metodi tradizionali — è come cercare di separare due fili intrecciati tagliandone uno: distruggi quello che volevi studiare.

Leg-methods— sviluppate da James Robins e colleghi a partire dagli anni Ottanta — sono nate esattamente per questo scenario. Permettono di stimare effetti causali in presenza di confondimento che cambia nel tempo e che è influenzato dall’esposizione stessa. Le tre principali sono laparametric g-formula, che stima cosa sarebbe successo sotto diversi regimi di trattamento attraverso simulazione; iMarginal Structural Models(MSM), che usano pesi tempo-varianti per costruire una popolazione pseudo-randomizzata in ogni momento del follow-up; e lag-estimation, che stima i parametri causali direttamente senza ponderazione.

Queste tecniche sono più complesse e richiedono competenze statistiche avanzate (vedi articolo successivo). Ma per domande che coinvolgono trattamenti dinamici o esposizioni variabili nel tempo — situazioni frequentissime nella pratica clinica reale — non esistono alternative valide. Usare un metodo più semplice non è una scelta conservativa: è una scelta che introduce distorsione sistematica nei risultati.

Questi strumenti non sono opzionali.Analizzare dati real-world con i metodi pensati per i trial non è una semplificazione: è un errore. Produce stime distorte, intervalli di confidenza sbagliati, conclusioni che sembrano solide ma non lo sono. Il propensity score, l’IPW, i metodi doppiamente robusti, le g-methods — ciascuno risponde a un problema specifico che emerge dalla struttura dei dati osservazionali. Conoscerli non significa doverli usare tutti: significa sapere quale problema si sta affrontando e scegliere lo strumento che lo risolve. È la differenza tra analizzare i dati e capirli.