Che cosa sono gli studi clinici e i loro limiti
Gli studi clinici randomizzati (RCT) sono il modo più affidabile per capire se un farmaco funziona. In questi studi, i pazienti vengono assegnati casualmente a un trattamento o a un altro, e né i pazienti né i medici sanno chi riceve cosa ("blinding"). Questo aiuta a evitare errori e influenze esterne.
Tuttavia, gli RCT hanno alcune limitazioni importanti:
- sono costosi e complessi da organizzare;
- non sempre permettono di vedere gli effetti a lungo termine;
- non valutano facilmente risultati diversi da quelli previsti all’inizio;
- non mostrano come funzionano i farmaci se usati insieme ad altri trattamenti.
Cos’è la Real World Evidence (RWE)
La Real World Evidence si basa sull’analisi di dati raccolti nella pratica clinica quotidiana, come cartelle cliniche elettroniche o registri ospedalieri. Questi dati riflettono la realtà dei pazienti e dei trattamenti, ma non sono raccolti con la stessa rigida organizzazione degli RCT.
Per questo motivo, nei dati reali i pazienti non sono assegnati casualmente ai trattamenti, e le loro caratteristiche possono influenzare i risultati. Questo può portare a errori chiamati "bias".
Come funziona il Propensity Score Matching (PSM)
Il Propensity Score Matching è un metodo statistico che aiuta a ridurre i bias nei dati reali, cercando di rendere i gruppi di pazienti più simili tra loro, come succede negli RCT.
In pratica, a ogni paziente viene assegnato un punteggio ("propensity score") che rappresenta la probabilità di ricevere un certo trattamento, calcolata in base alle sue caratteristiche di base (ad esempio età, sesso, altre malattie, terapie in corso).
Successivamente, i pazienti trattati vengono "abbinati" con pazienti di controllo che hanno un punteggio simile. Questo confronto aiuta a bilanciare le differenze tra i gruppi.
- Il punteggio si calcola con una tecnica chiamata regressione logistica.
- L’abbinamento può essere fatto con diversi criteri, come scegliere il paziente di controllo con il punteggio più vicino ("nearest neighbor matching").
- Per essere considerati simili, i punteggi devono essere entro una certa distanza chiamata "caliper distance".
- Dopo l’abbinamento, si verifica se le caratteristiche dei gruppi sono bilanciate usando una misura chiamata "Standardized Mean Difference" (SMD). Valori di SMD inferiori a 0,1 indicano buona somiglianza.
Esempio pratico: confronto tra Lercanidipina e Amlodipina
Uno studio ha confrontato due farmaci antipertensivi chiamati Lercanidipina (più recente) e Amlodipina (più datata) per valutare quale dei due riduce meglio il rischio di eventi cardiovascolari gravi (come infarto o ictus) in pazienti con pressione alta.
Inizialmente, il gruppo trattato con Lercanidipina era molto più piccolo e presentava un profilo di salute più a rischio rispetto a quello con Amlodipina. Questo avrebbe potuto influenzare i risultati, mostrando un rischio maggiore nel gruppo Lercanidipina.
Per superare questo problema, gli autori hanno usato il Propensity Score Matching per bilanciare le caratteristiche dei pazienti nei due gruppi. Dopo l’abbinamento, i gruppi erano simili per età, condizioni di salute e altri fattori di rischio.
I risultati dopo il matching hanno mostrato che:
- Non c’erano differenze significative nel rischio di eventi cardiovascolari tra i due farmaci.
- Il controllo della pressione arteriosa era simile in entrambi i gruppi nel corso di 3 anni.
- La Lercanidipina si è dimostrata adatta anche a pazienti con un rischio cardiovascolare più alto.
In conclusione
Il Propensity Score Matching è uno strumento utile per confrontare l’efficacia di farmaci nella pratica clinica reale, riducendo le differenze tra gruppi di pazienti che potrebbero influenzare i risultati. Grazie a questo metodo, è stato possibile dimostrare che la Lercanidipina non è meno efficace dell’Amlodipina nel prevenire eventi cardiovascolari importanti e nel controllare la pressione arteriosa, anche in pazienti a rischio più elevato.
