Causal Inference of Blood Pressure Reduction and Coronary Heart Disease Risk in the Framingham Study

Applicando metodi di inferenza causale allo studio Framingham Heart, questo articolo dimostra che i calcolatori standard del rischio osservazionale sovrastimano il beneficio assoluto della riduzione della pressione arteriosa sul rischio di cardiopatia coronarica di circa il 21,8% a causa di fattori di confondimento, sottolineando la necessità critica di distinguere tra probabilità condizionali ed effetti interventistici nel processo decisionale clinico.

L'essenziale

Immagina di cercare di capire quanto un'azione specifica — come abbassare la pressione sanguigna — aiuti effettivamente a prevenire un infarto. Per decenni, i medici e i calcolatori di rischio hanno utilizzato un metodo che esamina le persone che naturalmente hanno la pressione bassa e le confronta con quelle che naturalmente hanno la pressione alta.

Il problema, secondo questo studio, è che questo confronto è come giudicare una corsa guardando le scarpe dei corridori invece della loro capacità di correre.

Ecco la spiegazione di ciò che i ricercatori hanno scoperto, utilizzando semplici analogie:

L'errore tra "Naturale" e "Forzato"

Pensa alla pressione sanguigna come alla temperatura in una casa.

• Il Vecchio Metodo (Osservazionale): I ricercatori guardavano le case che sono naturalmente fresche e le confrontavano con quelle che sono naturalmente calde. Hanno notato che le case calde avevano più finestre rotte (malattia cardiaca). Hanno concluso: "Se raffreddiamo la casa, salveremo molte finestre".
• Il Difetto: Le case che sono naturalmente calde spesso hanno anche altri problemi: sono più vecchie, l'isolamento è peggiore e i proprietari sono meno attenti alla manutenzione. Il calore non è l'unica ragione per cui le finestre si rompono; anche l'età e la scarsa manutenzione contribuiscono.
• Il Nuovo Metodo (Causale): Questo studio ha posto una domanda diversa: "Se prendiamo una casa che è naturalmente calda e costringiamo il termostato ad abbassarsi (usando farmaci), quante finestre salviamo effettivamente?"

Lo studio ha scoperto che il "Vecchio Metodo" sovrastimava il beneficio di circa il 22%. Si dava la colpa al calore per tutte le finestre rotte, quando in realtà l'età della casa e la scarsa manutenzione stavano causando gran parte dei danni. Quando ripari il calore, ripari il calore, ma non aggiusti magicamente l'età o i problemi di manutenzione.

La Correzione della "Mappa"

Per ottenere questo risultato corretto, i ricercatori hanno disegnato una nuova "mappa" (chiamata Grafico Aciclico Diretto o DAG) di come funziona la salute del cuore. Hanno individuato quattro errori nelle mappe che tutti gli altri stavano utilizzando:

1. Fumo: Hanno rimosso una linea che suggeriva che il fumo causi direttamente la pressione alta in questo specifico contesto, rendendosi conto che influisce sulla salute del cuore attraverso altri percorsi (come il colesterolo) prima.
2. Età: Hanno aggiunto una linea che mostra come l'invecchiamento causi il diabete, che a sua volta influisce sulla salute del cuore.
3. Farmaci: Hanno realizzato che l'assunzione di pillole per la pressione è una conseguenza dell'avere la pressione alta, non una causa di essa. Trattare le pillole come una causa era come dare la colpa all'estintore per aver iniziato l'incendio.
4. Storia: Hanno smesso di considerare la "pressione alta passata" come una causa separata, perché è solo un sintomo dell'attuale pressione alta.

Riparando questi errori nella mappa, hanno potuto calcolare l'effetto reale della "regolazione del termostato".

I Risultati: Un Numero Più Onesto

Quando hanno fatto i calcoli correttamente:

• La Vecchia Stima: Abbassare la pressione di 20 punti avrebbe prevenuto le malattie cardiache in circa il 4,14% delle persone.
• La Nuova Verità: Abbassare la pressione di 20 punti previene effettivamente le malattie cardiache in circa il 3,40% delle persone.

Sebbene il 3,40% sembri ancora buono, lo studio mostra che la "Vecchia Stima" era troppo ottimista. Se un medico usa il vecchio numero per decidere se prescrivere farmaci, potrebbe pensare che il beneficio sia abbastanza grande da trattare un paziente, quando il vero beneficio potrebbe essere appena sotto la soglia per il trattamento.

Chi Ne Beneficia di Più?

Lo studio ha anche esaminato se questa "correzione" funzioni diversamente per persone diverse:

• Età: Le persone anziane sembrano ottenere un beneficio assoluto maggiore dall'abbassamento della pressione rispetto alle persone più giovani. Questo ha senso perché le persone anziane hanno più "finestre rotte" da cui partire.
• Diabete: I ricercatori hanno cercato di esaminare le persone con diabete, ma ce n'erano troppe poche nello studio per dire qualcosa di affidabile. Avvisano esplicitamente che non possiamo trarre conclusioni sui diabetici da questi dati ancora.

La Conclusione

Questo studio non dice "non abbassare la pressione sanguigna". Dice: "Fai attenzione a quanto pensi che abbassare la pressione sanguigna aiuterà".

I calcolatori di rischio standard sono come una previsione meteorologica che prevede un temporale basandosi su quanto è scuro il cielo in questo momento, ignorando che il cielo è scuro a causa di una nuvola temporalesca che si sta già allontanando. Utilizzando un metodo più avanzato (chiamato inferenza causale), i ricercatori hanno dimostrato che la "tempesta" (il rischio di malattie cardiache) è leggermente meno grave di quanto previsto dalle vecchie previsioni quando si isola l'effetto della sola pressione sanguigna.

Questo aiuta i medici a prendere decisioni più precise, assicurandosi di non sovrastimare la "magia" di un singolo trattamento quando il quadro generale della salute di un paziente è molto più complesso.

Sommario tecnico

Sintesi Tecnica: Inferenza Causale della Riduzione della Pressione Arteriosa e del Rischio di Malattia Coronarica nello Studio Framingham

Enunciato del Problema
I calcolatori standard del rischio cardiovascolare, come il Punteggio di Rischio Framingham e le Equazioni della Coorte Riunita ACC/AHA, stimano la probabilità condizionata di Malattia Coronarica (CHD) dato un specifico profilo di pressione arteriosa, $P(\text{CHD} \mid \text{SysBP}=s, Z=z)$. Questa quantità riflette la frequenza osservata della malattia tra gli individui che presentano naturalmente determinate caratteristiche. Tuttavia, la presa di decisioni cliniche relativa alla terapia antipertensiva richiede la quantità interventistica, $P(\text{CHD} \mid \text{do}(\text{SysBP}=s))$, che rappresenta il rischio se la pressione arteriosa fosse farmacologicamente impostata a un valore target, indipendentemente dallo stato biologico sottostante del paziente (ad esempio, età, obesità, disregolazione metabolica).

Il documento sostiene che la confusione tra queste due quantità porta a una sovrastima sistematica del beneficio assoluto della riduzione della pressione arteriosa. Gli individui con pressione arteriosa naturalmente elevata possiedono spesso un carico maggiore di comorbidità (età avanzata, BMI più alto, diabete) rispetto a quelli con pressione arteriosa più bassa. Le stime osservazionali catturano il rischio associato a questo intero profilo, mentre la terapia antipertensiva interrompe solo il percorso causale dalla pressione agli eventi vascolari. Di conseguenza, gli strumenti osservazionali possono inflazionare l'efficacia percepita del trattamento, influenzando potenzialmente le soglie di prescrizione e la stratificazione del rischio.

Metodologia
Lo studio applica il calcolo do di Pearl e la modellazione causale strutturale alla Coorte dei Discendenti dello Studio Framingham ($n=4.240$; analisi primaria su $n=3.776$ casi completi). La pipeline metodologica include:

1. Specificazione del Modello Causale Strutturale (DAG): È stato costruito un Grafico Aciclico Diretto (DAG) con 11 nodi e 24 archi. Gli autori hanno introdotto quattro correzioni motivate biologicamente rispetto alle formulazioni precedenti:

   • Rimozione di Fumo $\to$ SysBP: Riconoscendo che, sebbene la nicotina causi vasocostrizione acuta, non costituisce un percorso causale strutturale a livello di popolazione dallo stato di fumatore alla pressione sistolica sostenuta in questo contesto trasversale.
   • Aggiunta di Età $\to$ Diabete: Incorporando il marcato aumento dell'incidenza del diabete di tipo 2 con l'età, riconoscendo l'età come causa condivisa sia dell'innalzamento della pressione arteriosa che della CHD.
   • Riclassificazione dei Farmaci (BPMEDS): Trattare i farmaci antipertensivi come discendenti della Pressione Sistolica (SysBP) piuttosto che come confondenti. Includerli nell'insieme di aggiustamento indurrebbe un bias da collisore.
   • Esclusione dell'Ipertensione Prevalente: Rimuovere l'ipertensione prevalente dall'insieme di aggiustamento primario per evitare il bias da sovraggiustamento, poiché è causalmente a valle della pressione arteriosa a lungo termine.

   La validità del DAG è stata testata tramite test di indipendenza condizionale (correlazioni parziali), tutti superati a $\alpha=0.05$.

2. Stima dell'Effetto Causale:

   • Stimatore Primario: È stata utilizzata la g-computazione (standardizzazione) per stimare l'Effetto Causale Medio (ACE) di una riduzione di 20 mmHg della SysBP. È stato utilizzato l'insieme di aggiustamento back-door $Z = \{\text{Età, Sesso, BMI, Fumo Attuale}\}$. Il colesterolo totale e il glucosio sono stati inclusi come covariate di precisione nella regressione dell'esito.
   • Triangolazione: I risultati sono stati corroborati utilizzando l'Abbinamento per Punteggio di Propensione (PSM) stratificato per sesso e la Ponderazione per Probabilità Inversa (IPW).
   • Eterogeneità: Gli Effetti Medi del Trattamento Condizionali (CATE) sono stati stimati utilizzando i meta-stimatori R-Learner e T-Learner con modelli di disturbo basati su gradient-boosting per valutare la modifica dell'effetto per età, sesso e stato diabetico.
   • Robustezza: Lo studio ha impiegato test di confutazione per permutazione e strumenti placebo (ad esempio, frequenza cardiaca $\to$ età) per validare le stime causali. Sono stati calcolati i valori E per quantificare la robustezza dei risultati rispetto a confondenti non misurati.

Risultati Chiave

• Divario Predizione-Causazione: L'approccio di g-computazione ha prodotto un ACE di 3,40% di riduzione assoluta del rischio (IC 95% bootstrap: 2,64%–4,14%) per una riduzione di 20 mmHg della SysBP. Al contrario, la stima osservazionale ingenua era 4,14%. Ciò rappresenta una sovrastima relativa di circa 21,8% da parte dell'approccio osservazionale.
• Fonte del Bias: La divergenza è guidata dall'aggregazione di età avanzata, BMI più alto e disregolazione metabolica con la pressione arteriosa elevata. La stima osservazionale cattura il rischio del profilo di comorbidità, non solo la riduzione della pressione arteriosa.
• Eterogeneità: È stata rilevata un'eterogeneità statisticamente significativa tra gli strati di età ($p < 0.001$) e lo stato diabetico ($p < 0.001$). I pazienti più anziani (45–64 anni) hanno mostrato riduzioni assolute del rischio stimate più elevate (~4,5–4,8%) rispetto ai pazienti più giovani (<45 anni, ~2,2%).
• Limitazioni dei Sottogruppi: Le stime per il sottogruppo diabetico ($n=109$) sono state instabili e sottopotenziati, con un ampio intervallo di confidenza che attraversa lo zero. Gli autori dichiarano esplicitamente che non è possibile trarre inferenze affidabili riguardanti il beneficio differenziale nei diabetici da questi dati senza replicazione.
• Robustezza: Il limite inferiore del valore E era 2,18, indicando che un confondente non misurato dovrebbe avere un rapporto di rischio di almeno 2,18 sia con la SysBP che con la CHD per spiegare completamente l'effetto osservato. Questo supera la forza di associazione di tutte le covariate misurate.

Significato e Affermazioni
Il documento afferma di essere il primo a quantificare l'entità del bias negli strumenti standard di rischio cardiovascolare osservazionali all'interno della coorte Framingham, dimostrando che tali strumenti possono sovrastimare il beneficio assoluto del trattamento antipertensivo di circa un quinto.

Gli autori sostengono che questa sovrastima ha conseguenze cliniche dirette. Per i pazienti vicini alle soglie di prescrizione, un'inflazione del 21,8% del beneficio stimato potrebbe portare a decisioni di trattamento in cui il vero beneficio causale scende al di sotto di una soglia clinicamente significativa. Lo studio suggerisce che la stratificazione del rischio clinica dovrebbe idealmente basarsi su stime interventistiche piuttosto che su associazioni condizionali.

Sul piano metodologico, il documento contribuisce con una pipeline riproducibile end-to-end che integra la valutazione del DAG, la g-computazione, il PSM, l'IPW e i meta-stimatori semiparametrici. Evidenzia specifici errori strutturali nelle precedenti analisi causali dei dati cardiovascolari, in particolare il trattamento errato dei farmaci antipertensivi come confondenti piuttosto che come discendenti della pressione arteriosa, il che introduce un bias da collisore.

Limitazioni Riconosciute dagli Autori
Gli autori mantengono un tono modesto riguardo alle loro conclusioni, notando diverse limitazioni:

• Confondenti Non Misurati: L'assunzione di assenza di confondenti non misurati è non verificabile; fattori come dieta, attività fisica e genetica potrebbero influenzare i risultati.
• Natura Trasversale: L'analisi si basa su dati basali, non tenendo conto del confondimento variabile nel tempo durante il follow-up di 10 anni, il che potrebbe portare a stime conservative.
• Semplificazione del DAG: Il DAG è una rappresentazione semplificata; i fallimenti in alcuni test placebo suggeriscono cause condivise latenti non codificate nel modello.
• Generalizzabilità: La Coorte dei Discendenti Framingham è un campione prevalentemente bianco, basato sulla comunità, della Nuova Inghilterra di metà XX secolo, limitando la generalizzabilità a popolazioni contemporanee, diversificate o ad alto rischio.
• Potere del Sottogruppo: L'analisi del sottogruppo diabetico è esplicitamente segnalata come sottopotenziata e inaffidabile per l'inferenza.

Lo studio posiziona i suoi risultati come generativi di ipotesi, chiedendo una futura validazione rispetto ai dati degli studi randomizzati (ad esempio, SPRINT, ACCORD-BP) e una replicazione in coorti più ampie e diversificate.