Il nemico silenzioso: bias nella ricerca medica e perché sono così difficili da vedere

Immagina di aver condotto uno studio rigoroso. Hai scelto il disegno corretto, raccolto i dati con cura, applicato i modelli statistici appropriati. I risultati sono chiari, la scrittura è precisa. Eppure da qualche parte nel processo, in una scelta che sembrava ovvia, in un dettaglio che non sembrava rilevante, si è insinuata una distorsione sistematica che ha curvato i risultati nella direzione sbagliata. Non di molto, forse. Ma abbastanza da rendere le conclusioni meno vere di quanto sembrino.

Questo è il problema del bias nella ricerca medica. Non è un errore grossolano commesso da ricercatori distratti. È una deviazione sistematica — sempre nella stessa direzione, non casuale — che può nascere in qualsiasi fase dello studio: nella progettazione, nella selezione dei partecipanti, nella raccolta dei dati, nell’analisi, nella pubblicazione. E la caratteristica che lo rende davvero pericoloso non è la sua frequenza, ma la sua invisibilità.

Un errore casuale si corregge aumentando il campione. Un bias no: si accumula, si amplifica, si consolida nell’evidenza. E quando quella evidenza viene usata per guidare decisioni cliniche, politiche sanitarie, linee guida, le conseguenze si spostano dal foglio di calcolo alla vita delle persone.

Quando l’errore nasce prima dei dati

Il bias più sottile è quello che si installa ancora prima che il primo dato venga raccolto, ossia nella fase in cui si definisce il problema, si costruisce il quadro concettuale, si decide cosa misurare e come.

Considera l’indice di massa corporea. Per decenni la ricerca sul peso corporeo ha operato con un’assunzione implicita. Un BMI più basso è sempre meglio, perché l’eccesso di peso è associato a patologie croniche. Questa idea, ragionevole in superficie, ha guidato studi, raccomandazioni e interventi. Ma ignorava sistematicamente che valori troppo bassi di BMI sono associati a maggiore morbidità e mortalità — un’informazione che cambia completamente il quadro. Il problema non era nei dati: era nel concetto di partenza, troppo semplificato per descrivere una realtà più complessa.

Questo è ilbias concettuale: quando la cornice teorica con cui si guarda un fenomeno è imprecisa o incompleta, ogni analisi successiva — per quanto tecnicamente impeccabile — produce risposte a una domanda mal posta (vedi PICO per capire come formulare una domanda di ricerca ben posta). E nessun modello statistico, per quanto sofisticato, può correggere un’impostazione sbagliata a monte.

Strettamente connesso è ildefinition bias: l’errore che nasce quando i criteri per definire un “caso” sono ambigui o applicati in modo incoerente. In uno studio sulla tubercolosi, se alcuni pazienti vengono classificati come positivi sulla base di conferma radiologica e altri solo su criteri clinici, il gruppo dei “casi” diventa eterogeneo — e i risultati riflettono questa eterogeneità invece del fenomeno che si voleva studiare. Due studi che apparentemente indagano la stessa malattia possono in realtà parlare di popolazioni diverse, semplicemente perché hanno usato definizioni diverse.

Il campione che non rappresenta il mondo

Anche con un quadro concettuale solido e definizioni precise, lo studio può essere compromesso da chi viene incluso e chi no. I bias di selezione nascono quando il campione non riflette accuratamente la popolazione a cui si vogliono estendere i risultati.

Lo scenario più comune è quello del trial clinico condotto su pazienti giovani, senza comorbilità, con uno stile di vita attivo — un campione che soddisfa i criteri di eleggibilità ma non assomiglia alla popolazione reale che riceverà quel trattamento. I risultati mostrano alta efficacia e pochi effetti avversi. Poi il farmaco entra nella pratica clinica, viene prescritto a pazienti anziani con diabete e ipertensione, e l’efficacia si rivela molto più modesta mentre gli eventi avversi aumentano. Ciò si verifica non perché lo studio sia mal condotto, ma perché il campione non rappresenta il mondo in cui il trattamento opera.

Negli studi di screening, il problema della selezione si manifesta in due forme particolarmente insidiose: illengthbiase illead-time bias. Illength biasnasce dal fatto che i pazienti con forme di malattia più lente e meno aggressive hanno più probabilità di essere diagnosticati — semplicemente perché sopravvivono più a lungo e hanno più occasioni di essere intercettati dallo screening. Il campione risulta arricchito di casi “favorevoli” e la prognosi media della malattia appare migliore di quanto sia in realtà.

Illead-time biasè ancora più sottile. Anticipare la diagnosi non significa necessariamente migliorare la sopravvivenza. Se un tumore viene diagnosticato a 50 anni invece che a 55 ma il paziente muore comunque a 60, la sopravvivenza calcolata dalla diagnosi sembra di 10 anni invece di 5, ma l’aspettativa di vita complessiva non è cambiata. L’anticipo diagnostico crea l’illusione statistica di un beneficio che non esiste. Capire questa distinzione è fondamentale per valutare correttamente l’efficacia di qualsiasi programma di screening.

Quello che succede durante lo studio

Anche quando la progettazione è solida e il campione è rappresentativo, i bias possono insinuarsi durante l’esecuzione. Ogni deviazione dal protocollo, ogni contaminazione tra i gruppi, ogni evento imprevisto che modifica le condizioni dello studio è una potenziale fonte di distorsione.

Ilbias da confondimentoè forse il più noto: un terzo fattore influenza sia l’esposizione sia l’esito, creando un’associazione apparente tra i due che in realtà non è causale. L’esempio classico è il caffè e il rischio cardiovascolare: chi consuma molte tazze al giorno tende anche a fumare di più ed il fumo è un fattore di rischio cardiovascolare ben documentato. Se non si controlla per il fumo, l’associazione tra caffè e infarto sembra più forte di quanto sia ed il messaggio che arriva al paziente è sbagliato.

L’attrition biasnasce quando i partecipanti che abbandonano lo studio non sono un campione casuale di tutti i partecipanti. Se i pazienti più gravi — o al contrario quelli che stanno meglio — abbandonano più frequentemente, il campione che completa lo studio è diverso da quello che l’ha iniziato. I risultati finali riflettono non l’effetto del trattamento sulla popolazione originale, ma l’effetto su una popolazione selezionata dalla propria capacità di rimanere nello studio.

C’è poi il problema dei cambiamenti che intervengono a metà percorso — l’apertura di un nuovo centro con criteri diagnostici leggermente diversi, la sostituzione di parte del team, una pandemia che altera il follow-up. Questi eventi non sono sempre evitabili, ma devono essere riconosciuti e gestiti. Ignorarli significa presentare come omogeneo uno studio che ha cambiato natura durante la propria esecuzione.

I dati che mentono senza saperlo

Anche quando la selezione è corretta e il protocollo viene rispettato, i dati stessi possono essere una fonte di distorsione. Non perché qualcuno abbia mentito, ma perché la memoria è selettiva, il comportamento cambia quando si è osservati, e persino gli strumenti di misura hanno le loro preferenze.

Ilrecall biasè endemico negli studi caso-controllo. Chi ha subito un evento — un infarto, una diagnosi oncologica — ricorda e riferisce le proprie esposizioni passate in modo diverso da chi non lo ha subito. L’evento cambia la prospettiva con cui si guarda il passato. Chi ha avuto un infarto ripensa alle proprie abitudini alimentari con un’attenzione diversa da chi non lo ha avuto. Questo cambia sistematicamente quello che riferisce al ricercatore.

Ilresponse biasemerge quando le domande riguardano comportamenti socialmente sensibili: consumo di alcol, abitudini sessuali, aderenza terapeutica. I partecipanti tendono a rispondere non quello che fanno, ma quello che pensano di dover fare — o quello che pensano il ricercatore voglia sentire. Il dato raccolto non è il comportamento reale: è la sua versione socialmente accettabile.

Persino gli strumenti di misura hanno i loro bias. Ildigit preference— la tendenza umana a riportare numeri tondi — produce distribuzioni artificiali nei dati. Quando un operatore tende a registrare 120/80 o 130/85, arrotondando i valori, invece di registrare le misure esatte (ad esempio 127/83 o 133/87), la distribuzione della pressione arteriosa nel campione non riflette la realtà fisiologica. Essa riflette le preferenze numeriche di chi ha raccolto i dati. Sommati su migliaia di osservazioni, questi arrotondamenti producono distorsioni nelle stime statistiche.

Quando l’analisi distorce quello che i dati dicono

Il processo di analisi e interpretazione è l’ultima linea dove i bias possono installarsi. Per certi versi questo punto è il più difficile da controllare in quanto le scelte analitiche hanno una componente inevitabilmente soggettiva.

Un bias analitico nasce quando l’analisi statistica viene condotta in modo da confermare un’ipotesi preesistente invece di testarla in modo imparziale. Non necessariamente per malafede: anche le scelte inconsce — quale modello usare, quali outlier escludere, quali sotto-analisi esplorare — tendono a muoversi nella direzione delle aspettative. Un p-value di 0.055 diventa “quasi significativo” quando il risultato è quello che si sperava. Lo stesso valore viene accettato come “non significativo” quando va nella direzione sbagliata.

Ilreporting biase ilpublication biasoperano a un livello ancora più sistemico. Non riguardano solo le scelte del singolo ricercatore, ma le dinamiche dell’intero sistema scientifico. Gli studi con risultati positivi vengono pubblicati più facilmente e più velocemente di quelli con risultati nulli o negativi. Le riviste li preferiscono. I ricercatori li sottomettono con più entusiasmo. I risultati negativi rimangono nei cassetti — o vengono pubblicati in riviste meno visibili, con meno probabilità di entrare nelle meta-analisi. Il risultato è una letteratura sistematicamente distorta verso l’efficacia degli interventi. Le meta-analisi che la sintetizzano sovrastimano gli effetti, e le linee guida costruite su quelle meta-analisi raccomandano trattamenti più efficaci di quanto siano in realtà.

Richard Feynman lo aveva detto con la chiarezza che lo contraddistingueva: “Il primo principio è che non devi prendere in giro te stesso, e tu sei la persona più facile da prendere in giro.” Il bias non è l’eccezione nella ricerca: è la condizione di default. La vigilanza è la risposta, non la garanzia di esserne immuni.

Conoscere i bias non è un esercizio accademico.È la condizione per leggere la letteratura scientifica con gli occhi giusti — per chiedersi, davanti a ogni studio, dove potrebbe essersi insinuata una distorsione e quanto quella distorsione potrebbe aver curvato le conclusioni. Non si tratta di diffidare di tutto: si tratta di capire che ogni risultato è il prodotto di scelte, e che alcune di quelle scelte — spesso ragionevoli, spesso inevitabili — portano con sé una direzione. Riconoscerla è il primo passo per non esserne guidati senza saperlo.