Vaccino Antinfluenzale: Come ‘Spiare’ i Dati per Capire Chi Si Protegge Davvero (Studio Canadese)

Ragazzi, parliamoci chiaro: l’influenza non è uno scherzo. Ogni anno, anche in un paese avanzato come il Canada, mette a letto un sacco di gente, manda migliaia di persone in ospedale e, purtroppo, causa anche decessi. Pensate, si parla di circa 12.200 ricoveri e 3.500 morti all’anno! Numeri che fanno riflettere, vero? Ecco perché la prevenzione, e in particolare la vaccinazione, è così fondamentale. In Ontario, la provincia canadese di cui parliamo oggi, il vaccino antinfluenzale è addirittura gratuito per tutti i residenti sopra i 6 mesi. Una gran bella cosa!

Ma c’è un “ma”. Per capire se queste campagne di vaccinazione funzionano davvero, per studiare l’efficacia del vaccino e per monitorare la salute pubblica, abbiamo bisogno di sapere con una certa precisione chi si è vaccinato e chi no. Sembra facile, ma non lo è affatto, soprattutto quando manca un registro centrale delle vaccinazioni, proprio come in Ontario.

La Sfida: Come Tracciare le Vaccinazioni Senza un Registro Unico?

Allora, come si fa? Tradizionalmente, ci si basava sui dati delle fatture dei medici (il cosiddetto database OHIP – Ontario Health Insurance Plan). Se il medico ti vaccinava e chiedeva il rimborso, voilà, eri registrato come vaccinato. Ma questo sistema aveva i suoi limiti. Uno studio precedente (di Schwartz e colleghi) aveva mostrato che questi dati avevano una sensibilità “così così” (circa il 50%), anche se erano molto specifici (cioè, se dicevano che *non* eri vaccinato, era molto probabile che fosse vero).

Poi, nel 2012, è arrivata una svolta importante: in Ontario hanno autorizzato anche i farmacisti a somministrare il vaccino antinfluenzale. Una mossa intelligente, perché ha reso la vaccinazione molto più accessibile per tante persone. Le farmacie sono diventate rapidamente il luogo più comune dove farsi vaccinare! E queste vaccinazioni vengono registrate in un altro database, quello dei farmaci (ODB – Ontario Drug Benefit program).

A questo punto, la domanda sorge spontanea: e se mettessimo insieme i dati dei medici (OHIP) e quelli delle farmacie (ODB)? Otterremmo un quadro più preciso della situazione vaccinale? Sembra logico, ma nessuno l’aveva ancora verificato scientificamente in Ontario. Ed è qui che entriamo in gioco noi!

Il Nostro Studio: Mettere alla Prova i Dati Amministrativi

Il nostro obiettivo era proprio questo: validare l’uso combinato dei dati OHIP e ODB per determinare lo stato vaccinale antinfluenzale. Come abbiamo fatto? Abbiamo usato come “metro di paragone” (quello che in gergo si chiama *reference standard*) i dati di un’indagine sulla salute molto importante, la Canadian Community Health Survey (CCHS). In questa indagine, si chiede direttamente alle persone se si sono vaccinate o meno nell’ultimo anno.

Abbiamo quindi collegato i dati amministrativi (OHIP e ODB) di oltre 31.000 residenti dell’Ontario (dai 12 anni in su) che avevano partecipato alla CCHS nel 2013-2014 e avevano acconsentito a questo collegamento. Un lavoraccio di incrocio dati, reso possibile grazie a identificatori unici codificati e all’infrastruttura di ICES, un istituto di ricerca indipendente che può analizzare questi dati in modo sicuro e protetto per migliorare il sistema sanitario.

Abbiamo analizzato un bel campione rappresentativo: circa metà donne, quasi un terzo sopra i 65 anni, la stragrande maggioranza (93%) con un medico di base fisso e più della metà con almeno un fattore di rischio per complicazioni da influenza (come malattie croniche, problemi cardiaci, asma, ecc.).

I Risultati: Cosa Abbiamo Scoperto?

Ebbene, i risultati sono stati davvero interessanti! Combinando i dati di medici e farmacisti, abbiamo ottenuto:

• Una sensibilità del 60,1%. Cosa significa? Che siamo riusciti a identificare correttamente come “vaccinati” circa 6 persone su 10 che avevano dichiarato di esserlo nella CCHS. Non è perfetta, ma è un passo avanti.
• Una specificità del 98,5%. Questo è un dato fortissimo! Vuol dire che se i dati amministrativi dicevano che una persona *non* era vaccinata, era quasi certamente vero (sbagliavano solo nell’1,5% dei casi).
• Un Valore Predittivo Positivo (PPV) del 96,7%. Tradotto: se i nostri dati combinati indicavano una persona come vaccinata, al 96,7% ci avevamo azzeccato. Molto affidabile!
• Un Valore Predittivo Negativo (NPV) del 76,9%. Ovvero, se i dati dicevano “non vaccinato”, c’era circa il 77% di probabilità che fosse davvero così.

Abbiamo anche notato delle differenze interessanti. La sensibilità era migliore:

• Nel 2014 rispetto al 2013 (dal 57% al 63%), segno che forse il sistema stava migliorando con l’aumento delle vaccinazioni in farmacia.
• Tra gli over 65 (quasi il 73%) rispetto ai più giovani.
• Tra chi aveva un medico di base fisso (61%) rispetto a chi non ce l’aveva.
• Tra chi aveva fattori di rischio per complicazioni (quasi il 66%).

La specificità, invece, è rimasta altissima (sopra il 95%) praticamente in tutti i sottogruppi.

Interpretazione: Perché Questi Dati Sono Utili (e Dove Hanno Limiti)

Ok, una sensibilità del 60% potrebbe non sembrare eccezionale. Perché non becchiamo tutti i vaccinati? Beh, probabilmente perché molte persone si vaccinano ancora in altri luoghi non coperti da questi database, come sul posto di lavoro, nelle università, o in cliniche di sanità pubblica che non fatturano direttamente al sistema sanitario provinciale. A volte, poi, può capitare che la fatturazione non venga inviata o ci siano problemi tecnici.

Tuttavia, la cosa davvero importante è che l’aggiunta dei dati delle farmacie ha migliorato significativamente la validità rispetto all’uso dei soli dati medici. Confrontando con lo studio precedente di Schwartz et al., la nostra sensibilità è aumentata di oltre 10 punti percentuali, la specificità di quasi 3 punti, e anche i valori predittivi sono migliorati parecchio! Questo suggerisce che, con l’aumento delle vaccinazioni in farmacia, questi dati combinati stanno diventando uno strumento sempre più valido.

In assenza di registri vaccinali centralizzati, poter contare su questi dati amministrativi è fondamentale. Ci permettono di fare analisi su larga scala, capire i trend di vaccinazione, valutare l’efficacia delle campagne e informare le politiche sanitarie. Certo, bisogna essere consapevoli dei limiti: potremmo sottostimare leggermente la copertura vaccinale totale e, negli studi di efficacia, classificare erroneamente alcuni vaccinati come non vaccinati potrebbe “annacquare” un po’ i risultati (bias verso il nullo, diciamo noi tecnici). Ma conoscere queste caratteristiche ci permette di interpretare i risultati con più cautela.

Limiti dello Studio (Perché Bisogna Essere Onesti)

Come ogni ricerca, anche la nostra ha dei limiti. Primo, non tutti i partecipanti alla CCHS hanno acconsentito al collegamento dei dati (anche se abbiamo verificato che chi ha acconsentito era molto simile al campione totale). Secondo, la CCHS si basa sull’autodichiarazione delle persone, che può essere soggetta a errori di memoria o alla tendenza a dare una risposta “socialmente desiderabile” (anche se pochissimi dicevano di non essere vaccinati quando i dati amministrativi dicevano il contrario). Terzo, i dati che abbiamo usato risalgono al 2013-2014, subito dopo l’introduzione delle vaccinazioni in farmacia. Sarebbe interessante vedere come sono cambiate le cose più di recente, dato che la tendenza a vaccinarsi in farmacia è probabilmente aumentata.

In Conclusione: Un Passo Avanti per la Salute Pubblica

Nonostante i limiti, il nostro studio dimostra che combinare i dati delle fatture dei medici e dei farmacisti in Ontario fornisce una misura valida dello stato di vaccinazione antinfluenzale. Abbiamo una sensibilità moderata, ma una specificità e un valore predittivo positivo molto alti. Questo è fondamentale per chi fa ricerca, per chi monitora la salute pubblica e per chi deve prendere decisioni basate su dati solidi sull’efficacia dei vaccini. È un esempio di come, anche senza un registro perfetto, possiamo usare intelligentemente i dati che abbiamo per proteggere meglio la salute di tutti.

Fonte: Springer