Quando il dato non basta: la realtà clinica e i modelli che la sanno leggere

C’è un momento in cui ogni ricercatore che lavora con dati clinici reali si rende conto che il confronto semplice tra due gruppi non basta. Non perché il disegno dello studio sia sbagliato, non perché i dati siano di cattiva qualità. Ma perché la realtà clinica ha una struttura che un modello elementare non riesce a rispettare (vedi articolo dedicato aireal-world data).

I pazienti non si limitano a “avere” o “non avere” l’esito di interesse in un momento astratto. Lo sperimentano — o non lo sperimentano — nel corso del tempo, in un percorso fatto di visite, ricoveri, cambi di terapia, malattie che si sovrappongono. Seguire questo percorso nel modo corretto richiede modelli che sappiano fare tre cose: tenere conto del tempo, distinguere tra eventi diversi, e rispettare la struttura correlata delle osservazioni. In questo articolo vediamo queste tre complicazioni — una alla volta, nell’ordine in cui emergono guardando i dati con attenzione crescente.

Prima complicazione: il tempo conta

Immagina di voler confrontare la sopravvivenza di due gruppi di pazienti con insufficienza cardiaca — uno trattato con un nuovo farmaco, l’altro con la terapia standard. Hai a disposizione i dati di tre anni di follow-up. Puoi semplicemente contare quanti pazienti sono morti in ciascun gruppo alla fine dei tre anni e confrontare le proporzioni?

No ed il motivo è importante. I pazienti entrano nello studio in momenti diversi, vengono seguiti per periodi diversi ed alcuni escono dal follow-up prima della fine. Un paziente perso di vista dopo sei mesi non può essere trattato come se avesse completato tre anni di osservazione. E una morte che avviene al primo mese pesa diversamente — clinicamente e statisticamente — rispetto a una morte che avviene al trentacinquesimo mese.

Ilmodello di Cox a rischi proporzionaliè nato per rispondere a questo problema. Introdotto da David Cox nel 1972, è diventato lo standard di riferimento per l’analisi di sopravvivenza in medicina. La sua forza è la flessibilità: non richiede di specificare come evolve il rischio nel tempo — lascia che i dati lo determinino — e stima direttamente il rapporto tra i rischi dei due gruppi in ogni momento del follow-up. Questo rapporto si chiama hazard ratio: un valore di 0.7 significa che i pazienti trattati hanno in ogni momento un rischio di eventi pari al 70% di quello dei non trattati — una riduzione del 30%.

Pensa al modello di Cox come a una fotocamera ad alta velocità che registra il rischio istante per istante, senza assumere che la curva di rischio abbia una forma particolare. Quello che assume, invece, è che il rapporto tra i rischi dei due gruppi rimanga costante nel tempo. Questa è l’assunzione di proporzionalità degli hazard — e non è sempre rispettata.

Quando il rapporto tra i rischi cambia nel tempo

L’assunzione di proporzionalità viene ignorata con una frequenza preoccupante, nonostante il suo ruolo sia determinante per la validità dei risultati. Quando non è rispettata, l’hazard ratio che si ottiene è una media che non descrive correttamente nessun momento del follow-up.

Un esempio rende il problema concreto. Immagina un farmaco chemioterapico aggressivo. Nelle prime settimane, la tossicità è elevata: alcuni pazienti muoiono per effetti avversi e il rischio nel gruppo trattato è temporaneamente più alto di quello del controllo. Poi, se il trattamento funziona, il quadro si inverte: i trattati sopravvivono meglio. Il rapporto tra i rischi cambia direzione nel tempo. Il modello di Cox classico produce in questo caso un hazard ratio medio che non rappresenta correttamente né la fase acuta né quella tardiva — un numero che sembra preciso ma descrive qualcosa che non esiste.

Per questo verificare l’assunzione di proporzionalità — tipicamente attraverso l’analisi dei residui di Schoenfeld o la visualizzazione delle curve di sopravvivenza — non è un’opzione: è un passaggio obbligato. Quando l’assunzione non regge, esistono estensioni del modello che permettono all’effetto di variare nel tempo, oppure si può stratificare l’analisi per periodo di follow-up — stimare hazard ratio distinti nelle diverse fasi, una soluzione più trasparente e clinicamente più interpretabile.

Seconda complicazione: non tutti gli eventi sono uguali

Il modello di Cox gestisce bene il tempo. Ma c’è una seconda complicazione che emerge non appena si guarda la realtà clinica con un po’ più di attenzione: i pazienti possono morire — o sperimentare eventi rilevanti — per ragioni diverse da quelle che stiamo studiando. E queste ragioni diverse non sono irrilevanti.

Considera uno studio sulla mortalità per insufficienza cardiaca in una coorte di pazienti anziani. Molti di questi pazienti muoiono per cause cardiovascolari diverse dallo scompenso — un infarto, un’aritmia fatale — oppure per cause completamente estranee, come una polmonite o un tumore. Se trattiamo queste morti come semplice censura — come se quei pazienti fossero semplicemente usciti dallo studio — stiamo assumendo implicitamente che, se fossero sopravvissuti a quelle cause, avrebbero avuto lo stesso rischio di morire per scompenso dei pazienti che continuano il follow-up. È un’assunzione spesso irrealistica.

È come valutare chi vince una maratona ignorando che alcuni corridori si sono ritirati per infortunio. Non basta sapere chi ha tagliato il traguardo: bisogna sapere anche quanti si sono fermati lungo il percorso e perché, perché questo cambia completamente l’interpretazione del risultato.

La soluzione è usare modelli pereventi competitivi. Il più diffuso è il modello di Fine e Gray, che stima la funzione di incidenza cumulativa — la probabilità di sperimentare l’evento di interesse entro un certo tempo, tenendo conto che altri eventi possono prevenire quell’evento prima che si verifichi. La differenza con il modello di Cox standard non è solo tecnica: le probabilità di rischio stimate dai due modelli possono differire in modo sostanziale, con implicazioni cliniche dirette su come si valuta il reale impatto di un trattamento.

Ignorare gli eventi competitivi non è una scelta neutrale. È una scelta che produce sistematicamente stime distorte — quasi sempre nella direzione di sovrastimare il rischio dell’evento di interesse. E una sovrastima del rischio porta a sovrastimare il beneficio di un trattamento che lo riduce.

Terza complicazione: le osservazioni non sono indipendenti

Le prime due complicazioni riguardano la struttura degli eventi nel tempo. La terza riguarda la struttura dei dati stessi — e si manifesta ogni volta che le osservazioni che analizziamo non sono davvero indipendenti le une dalle altre.

Nella ricerca clinica reale questo accade in due modi molto frequenti. Il primo: misurazioni ripetute sullo stesso paziente. Se misuro la pressione arteriosa di un paziente ogni mese per un anno, ho dodici osservazioni — ma non sono dodici osservazioni indipendenti. Le misurazioni dello stesso paziente si assomigliano molto di più tra loro di quanto si assomiglino alle misurazioni degli altri pazienti. Se le tratto come indipendenti in un modello standard, sto gonfiando artificialmente la dimensione effettiva del campione e sottostimando l’incertezza delle mie stime.

Il secondo: pazienti inseriti in contesti diversi. Un paziente trattato in un centro ad alto volume ha esiti diversi da un paziente con caratteristiche identiche trattato in un centro periferico. Due pazienti dello stesso medico si assomigliano più di due pazienti di medici diversi — non solo per le caratteristiche misurate, ma per lo stile di cura, la soglia di intervento, il tipo di follow-up. Ignorare questa struttura gerarchica produce errori standard sottostimati e intervalli di confidenza troppo stretti — una falsa precisione.

Imodelli misti a effetti casualiaffrontano entrambi questi problemi. Modellano simultaneamente due livelli: gli effetti fissi — le relazioni medie nella popolazione — e gli effetti casuali — la variabilità individuale attorno a quella media. Ogni paziente ha la propria traiettoria, ogni centro ha il proprio livello di base, ogni medico porta con sé una componente di variabilità non spiegata dalle covariate misurate. Il modello stima tutto questo insieme, producendo inferenze corrette a tutti i livelli della struttura gerarchica.

La scelta di ignorare questa struttura non è un’opzione metodologicamente neutrale — è una scelta che produce sistematicamente intervalli di confidenza troppo stretti, p-value troppo bassi, e una falsa sensazione di certezza sui risultati.

Tre complicazioni, tre risposte.Il tempo che scorre, gli eventi che competono, le osservazioni che si assomigliano. Nessuna di queste complicazioni è esotica o rara — sono la norma in qualsiasi studio condotto su dati clinici reali. Ignorarle non semplifica l’analisi: la distorce. E la distorsione non è casuale — tende quasi sempre nella direzione di rendere i risultati più netti, più precisi, più convincenti di quanto i dati giustifichino. Rispettare la complessità della realtà clinica non è un esercizio accademico: è la condizione per produrre evidenza che regga all’uso.