SF-36 e Dati Paziente: Quale Analisi Statistica Scegliere? La Magia dell’SES

Ciao a tutti! Oggi voglio parlarvi di un argomento che sta molto a cuore a chi si occupa di ricerca clinica e, in fondo, a tutti noi come potenziali pazienti: come misuriamo davvero l’impatto di una cura sulla qualità della vita? Entriamo nel mondo affascinante, ma a volte un po’ ostico, dell’analisi dei dati riportati direttamente dai pazienti, i cosiddetti Patient-Reported Outcomes (PROs).

Cosa sono i PROs e perché sono importanti?

Immaginate di partecipare a uno studio clinico (un Randomised Controlled Trial – RCT) per un nuovo farmaco. Certo, i medici misureranno parametri oggettivi come la pressione sanguigna o i livelli di colesterolo. Ma come vi sentite veramente? Il dolore è diminuito? Avete più energia? Riuscite a fare le cose che amate? Ecco, queste sono le informazioni preziose che raccogliamo con i PROs. Uno degli strumenti più famosi e utilizzati per questo scopo è il questionario Short-Form 36 (SF-36). È un questionario compilato dai pazienti stessi che misura diversi aspetti della salute percepita, dalla funzionalità fisica alla salute mentale.

Il Groviglio dell’Analisi: Tanti Metodi, Scale Diverse

Qui iniziano le danze statistiche! I punteggi che otteniamo dai questionari come l’SF-36 hanno caratteristiche particolari: spesso sono numeri discreti (non continui), limitati (ad esempio, da 0 a 100) e la loro distribuzione può essere “sbilenca” (asimmetrica, o skewed in gergo tecnico). Usare metodi statistici classici, come la regressione lineare, potrebbe non essere l’ideale perché le loro ipotesi di base (come la normalità dei residui) potrebbero non essere rispettate.

Negli anni, sono stati proposti tanti metodi statistici alternativi per analizzare questi dati PRO. Il problema? Ognuno “parla una lingua diversa”. Alcuni metodi ci danno una stima della differenza media tra gruppi, altri ci danno un odds ratio (una misura di associazione). Come facciamo a confrontare i risultati se sono espressi su scale diverse? È come confrontare mele e pere! Questo rende difficile capire quale metodo sia più affidabile o quale trattamento sia davvero più efficace.

La Soluzione? Lo Standardized Effect Size (SES)!

Ed ecco che entra in gioco il nostro “traduttore universale”: lo Standardized Effect Size (SES). Cos’è? In parole povere, è una misura dell’effetto di un trattamento che non ha unità di misura. Si calcola dividendo la differenza tra i gruppi per una misura della variabilità (la deviazione standard pooled). Il bello dell’SES è che ci permette di mettere sullo stesso piano i risultati ottenuti da metodi statistici diversi, anche quelli che usano scale differenti. Finalmente possiamo confrontare le mele con le mele (o quasi)!

Il Nostro Studio: Mettere alla Prova 10 Metodi Statistici

Proprio per fare chiarezza su questo punto, abbiamo condotto uno studio empirico. Abbiamo preso i dati SF-36 reali provenienti da tre diversi studi clinici controllati e randomizzati (RCTs) e li abbiamo analizzati utilizzando ben dieci metodi statistici differenti. L’obiettivo era vedere come si comportavano questi metodi e se, usando l’SES, i loro risultati diventavano confrontabili.

I metodi che abbiamo messo sotto la lente d’ingrandimento includevano:

• Metodi basati sulla scala originale (come la regressione lineare multipla – MLR, la regressione mediana, la regressione Tobit, CLAD)
• Metodi basati su scale trasformate (come i modelli logit ordinato – OL, probit ordinato – OP, regressione beta-binomiale – BB, binomiale-logit-normale – BLN, regressione logistica frazionaria – Frac, e regressione beta – BR).

Per ogni dominio del questionario SF-36 (come Funzionamento Fisico, Dolore Corporeo, Salute Mentale, ecc.) in ogni trial, abbiamo calcolato l’effetto del trattamento stimato da ciascuno dei dieci metodi e il corrispondente SES. Abbiamo anche valutato quale modello si adattasse meglio ai dati usando un criterio chiamato Akaike Information Criterion (AIC).

Cosa Abbiamo Scoperto? L’SES Fa Davvero la Differenza?

I risultati sono stati illuminanti! Abbiamo visto che, mentre le stime “grezze” dell’effetto del trattamento (i coefficienti) potevano variare parecchio tra i diversi metodi, soprattutto tra quelli che usano scale trasformate e quelli che non le usano, la situazione cambiava quando guardavamo l’SES.

Ad esempio, la regressione Tobit, che tiene conto dei punteggi “censurati” ai limiti della scala (0 e 100), tendeva a dare coefficienti più grandi della regressione lineare (MLR), ma i loro valori di SES erano quasi identici! Questo suggerisce che, una volta standardizzato l’effetto, questi due metodi danno risultati molto simili in termini di “grandezza” relativa dell’effetto.

I metodi basati su scale trasformate (come OL, OP, BB, BLN, Frac, BR) mostravano pattern simili tra loro nei coefficienti (spesso interpretati come odds ratio), con qualche eccezione. L’OL tendeva a dare stime assolute più alte, mentre il BLN produceva SES leggermente più elevati degli altri.

Confrontando tutti i metodi con la regressione lineare (MLR) usando l’SES come metro di paragone, abbiamo notato che Tobit, BB, OP e Frac mostravano un accordo migliore rispetto agli altri. Questo non significa che dessero esattamente lo stesso risultato, ma le loro stime standardizzate erano più vicine a quelle del metodo più comunemente usato (MLR).

Perché è Cruciale Scegliere il Metodo Giusto?

Qui arriviamo al punto chiave. Il nostro studio ha mostrato che, anche usando l’SES, i diversi metodi statistici non producono valori identici. Anzi, in alcuni casi, la scelta del metodo poteva fare la differenza tra concludere che un trattamento avesse un effetto statisticamente significativo oppure no, o persino clinicamente rilevante oppure no!

Immaginate le conseguenze: potremmo promuovere un trattamento che in realtà non è così efficace come sembra, o al contrario, potremmo scartare una terapia potenzialmente utile, solo a causa del metodo statistico scelto per analizzare i dati dei pazienti. È fondamentale, quindi, non solo capire cosa ci dicono i pazienti tramite i PROs, ma anche scegliere con grande attenzione e consapevolezza gli strumenti statistici per interpretare quelle voci. Non esiste un metodo “perfetto” per tutte le stagioni; la scelta dipende dalle caratteristiche dei dati, dagli obiettivi dello studio e dalle assunzioni che siamo disposti a fare.

Limiti e Prossimi Passi

Come ogni studio, anche il nostro ha delle limitazioni. Abbiamo usato dati reali, il che è un punto di forza, ma significa anche che non conosciamo la “vera” risposta (il vero effetto del trattamento) per poter dire quale metodo sia stato più accurato in assoluto. Inoltre, ci siamo concentrati sull’SF-36v2 e su analisi a un singolo momento nel tempo.

Per questo, il nostro prossimo passo sarà usare la simulazione computazionale. Creeremo dati “finti” di cui conosciamo a priori l’effetto reale del trattamento e vedremo come si comportano i nostri dieci metodi in diverse condizioni (dati più o meno “sbilenchi”, più o meno “limitati”). Questo ci aiuterà a capire meglio l’accuratezza e la robustezza di ciascun approccio.

Il Messaggio da Portare a Casa

Analizzare i dati riportati dai pazienti è essenziale, ma complesso. Lo Standardized Effect Size (SES) si è rivelato uno strumento utile per confrontare metodi statistici che parlano lingue diverse. Tuttavia, la scelta del metodo di analisi non è neutrale e può influenzare le conclusioni di uno studio clinico. È cruciale che ricercatori e statistici conoscano a fondo le opzioni disponibili e selezionino quella più appropriata per i loro dati e i loro obiettivi, specialmente quando si lavora con dati PRO come quelli dell’SF-36, che hanno caratteristiche così particolari. Solo così potremo essere sicuri di trarre le conclusioni giuste per migliorare davvero la salute e la qualità della vita dei pazienti.

Fonte: Springer