Negli studi osservazionali il gruppo di controllo non lo scegli tu. Il gruppo esiste già nel mondo reale, con tutte le sue differenze rispetto al gruppo trattato. Il paziente che ha ricevuto il farmaco è mediamente diverso da quello che non lo ha ricevuto. Confrontare direttamente chi ha ricevuto il farmaco e chi no, non è corretto: è come confrontare mele con arance.
Il propensity score nasce per affrontare questo problema. L’idea è semplice. Invece di bilanciare ogni singola variabile confondente una per una, si stima per ogni soggetto la probabilità di ricevere il trattamento dato il suo profilo di caratteristiche — età, sesso, diagnosi, valori di laboratorio, etc.. Questa probabilità si chiama ilpropensity score.
Una volta calcolato, si usa per rendere i due gruppi più comparabili. Il modo più intuitivo è il matching: si abbinano pazienti trattati e non trattati con propensity score simile, costruendo coppie bilanciate. In alternativa si può usare come peso statistico — i soggetti con caratteristiche rare nel proprio gruppo ricevono un peso maggiore — oppure come covariata in un modello di regressione.
Il risultato ideale è che, dopo l’aggiustamento, le caratteristiche di base dei due gruppi siano distribuite in modo simile. Come se si fosse fatta una randomizzazione, almeno per le variabili osservate. Ricorda tuttavia che il limite è proprio questo: il propensity score bilancia solo ciò che hai misurato. Le variabili nascoste, quelle che non hai raccolto, restano un problema aperto.
Il propensity score non sostituisce la randomizzazione. La imita, nei limiti di ciò che i dati permettono.
Nota editoriale
Questo articolo ha finalità divulgative e informative. I contenuti non costituiscono consulenza professionale e non sostituiscono una valutazione specifica del tuo studio o progetto di ricerca. Mathsly Research declina ogni responsabilità per decisioni metodologiche o analitiche adottate sulla base dei soli contenuti del magazine senza consulenza professionale dedicata. Per supporto specifico:mathsly.it.