Pattern-Based Sequential Multiple Imputation for Missing Data in Clinical Trials: An Extension for Baseline-Only Early Dropout Subjects

Nel mondo delle sperimentazioni cliniche, i ricercatori cercano costantemente di misurare quanto bene un nuovo farmaco funzioni rispetto a un placebo. Per ottenere una risposta chiara, seguono i pazienti nel tempo, controllando la loro salute a intervalli regolari. Tuttavia, la vita è imprevedibile. I pazienti spesso smettono di assumere il farmaco dello studio o abbandonano l'intera sperimentazione prima che lo studio termini. A volte lo fanno per via degli effetti collaterali, altre volte perché si sentono meglio, e altre ancora per motivi del tutto slegati dal farmaco. Quando un paziente se ne va, i suoi dati si interrompono, creando un vuoto nella registrazione. Per decenni, i statistici hanno lottato su come colmare queste lacune senza distorcere il risultato finale. L'obiettivo è comprendere l'effetto reale del trattamento sull'intero gruppo di persone che ha iniziato la sperimentazione, non solo sulla fortuna di pochi che sono rimasti fino alla fine. Se i ricercatori ignorassero semplicemente le persone che se ne sono andate presto, potrebbero accidentalmente falsare i risultati, facendo apparire un farmaco migliore o peggiore di quanto sia realmente.

Un approccio moderno chiamato "politica di trattamento" (treatment policy) è diventato lo standard per gestire queste interruzioni. Esso pone una domanda semplice: cosa succede alla salute del paziente indipendentemente dal fatto che continui a assumere il farmaco? Per rispondere a questo, gli statistici utilizzano una tecnica chiamata imputazione multipla. Immaginate di cercare di indovinare il resto di una storia dopo aver letto solo i primi capitoli. Invece di indovinare una sola volta, create molti finali diversi basandovi su ciò che sapete dei personaggi, per poi farne la media al fine di ottenere una previsione affidabile. Questo metodo funziona bene quando i pazienti hanno almeno un controllo dopo l'inizio dello studio. Ma esiste un problema specifico e ostinato che rompe questo sistema: l'abbandono "solo al baseline" (baseline-only dropout). Questi sono i pazienti che si iscrivono, effettuano il primo controllo e poi svaniscono prima che venga raccolta qualsiasi dato di follow-up. Poiché non hanno dati di follow-up, gli strumenti statistici standard non possono capire quando o perché se ne siano andati, lasciandoli isolati nell'analisi.

Questo è esattamente l'enigma che il ricercatore Chen Zhang e il suo team si sono posti di risolvere. Si sono concentrati sulle sperimentazioni per la sindrome di Sjögren primaria, una malattia autoimmune cronica in cui i pazienti vengono seguiti per diversi mesi. In queste sperimentazioni, un numero considerevole di pazienti abbandona prima della prima visita di follow-up, spesso a causa del ritiro del consenso o di altri problemi logistici. Il team si è reso conto che gli esistenti modelli statistici, progettati per gestire i dati mancanti, semplicemente non potevano elaborare questi pazienti senza escluderli del tutto dallo studio. Escluderli è rischioso perché cambia il gruppo oggetto di studio, potenzialmente influenzando i risultati. Per risolvere il problema, i ricercatori hanno sviluppato un nuovo metodo che chiamano "Imputazione Sequenziale Multipla basata su Pattern Estesi" (Extended Pattern-based Sequential Multiple Imputation). L'idea centrale è quella di prendere in prestito informazioni da pazienti simili che sono invece rimasti nello studio. Per ogni paziente che è svanito dopo il primo controllo, il team trova un paziente "donatore" nello stesso gruppo di trattamento che sia molto simile per età, storia della malattia e altri fattori, e che abbia fornito dati di follow-up.

I ricercatori hanno testato due diversi modi per utilizzare queste informazioni prese in prestito. Il primo approccio, che chiamano strategia "Full Donor", copia l'intero percorso futuro del paziente donatore sul paziente mancante. È come se al paziente mancante venisse consegnato lo script esatto di ciò che è accaduto al suo gemello, dalla seconda visita fino alla fine. Il secondo approccio, chiamato "Y1 Donor", è più cauto. Copia solo il controllo immediatamente successivo dal paziente donatore. Per tutte le visite successive a quella, il modello statistico riempie i vuoti utilizzando i modelli più ampi dell'intero studio, piuttosto che fare affidamento su una singola storia presa in prestito. Il team ha eseguito migliaia di simulazioni al computer basate su dati di sperimentazioni reali per vedere quale metodo funzionasse meglio. Hanno creato pazienti virtuali con diversi motivi di abbandono, alcuni casuali e altri legati al loro stato di salute, per vedere come i metodi resistessero alla pressione.

I risultati sono stati chiari e decisivi. La strategia "Full Donor", pur essendo intuitiva, si è rivelata inaffidabile. Copiando un'intera traiettoria da un singolo donatore, creava un falso senso di certezza. Il modello statistico pensava di sapere esattamente cosa fosse successo a questi pazienti mancanti, portando a intervalli di confidenza troppo stretti e risultati spesso distorti, specialmente quando il motivo dell'abbandono era legato alla salute del paziente. Era come presumere che, poiché due persone si somigliano, avranno esattamente le stesse esperienze di vita, ignorando la casualità della vita reale. Al contrario, la strategia "Y1 Donor" ha funzionato in modo straordinario. Prendendo in prestito solo la prima visita di follow-up e lasciando che il modello gestisse il resto, ha mantenuto un sano livello di incertezza. Questo approccio ha mantenuto i risultati accurati e la fiducia statistica onesta, anche quando i dati mancanti erano complicati.

Lo studio ha scoperto che l'uso del metodo "Y1 Donor" permetteva ai ricercatori di mantenere ogni singolo paziente nell'analisi, inclusi quelli che se ne sono andati dopo la primissima visita. Questo è fondamentale perché preserva l'integrità del gruppo originale dello studio. Se si escludono le persone che se ne sono andate presto, si potrebbe finire per studiare un gruppo che è fondamentalmente diverso da quello che si intendeva trattare. Il nuovo metodo assicura che la risposta finale rifletta la politica di trattamento per l'intera popolazione, non solo per un sottoinsieme selezionato. Sebbene il metodo "Full Donor" sia troppo rischioso per essere usato come modo principale per analizzare i dati, i ricercatori suggeriscono che potrebbe comunque essere utile come controllo secondario per vedere se i risultati reggono sotto diverse ipotesi. In definitiva, questo lavoro fornisce uno strumento pratico per le sperimentazioni cliniche, assicurando che le voci dei pazienti che abbandonano precocemente non vadano perse e che le conclusioni tratte da questi studi salvavita siano il più possibile accurate e inclusive.