Early Cardiac Testing after Emergency-Department ECG: An Observational Target-Trial Emulation

Negli pronto soccorso di tutto il mondo, i medici affrontano un enigma costante e ad alta posta in gioco: determinare quali pazienti con dolore toracico stiano avendo un attacco di cuore e quali no. Per risolvere questo problema, si affidano a strumenti come l'elettrocardiogramma, che registra l'attività elettrica del cuore, e a esami del sangue che rilevano specifiche proteine rilasciate quando il muscolo cardiaco viene danneggiato. Sulla base di questi indizi iniziali, i clinici decidono se un paziente necessita di ulteriori test più invasivi, come un test da sforzo o una procedura di cateterismo per guardare all'interno delle arterie. Questo processo decisionale non è casuale; i medici scelgono naturalmente di testare i pazienti che appaiono più gravi o più pericolosi. Ciò crea una situazione complicata per i ricercatori che cercano di comprendere il vero valore di questi test. Se si confrontano semplicemente gli esiti di salute dei pazienti sottoposti a test rispetto a quelli che non lo sono stati, i risultati saranno fuorvianti. Il gruppo testato sembrerà in condizioni peggiori, non perché i test abbiano fatto loro male, ma perché erano già le persone più gravi in quella stanza fin dall'inizio. Questo fenomeno, in cui la ragione del trattamento si confonde con il trattamento stesso, rende incredibilmente difficile capire se un intervento medico stia effettivamente aiutando o danneggiando.

Per superare questa confusione, un ricercatore di nome Bjørn-Jostein Singstad ha condotto uno studio che ha reinventato il modo in cui guardiamo ai dati medici reali. Invece di cercare di dimostrare che il test cardiaco causi esiti migliori o peggiori, lo studio poneva una domanda più specifica: se potessimo confrontare magicamente i pazienti che hanno ricevuto test entro dieci giorni da una visita al pronto soccorso rispetto a quelli che non li hanno ricevuti, pur tenendo conto accuratamente di quanto fossero gravi all'inizio, quale sarebbe la differenza nella loro salute? Il ricercatore ha utilizzato un metodo chiamato emulazione di un trial target (target-trial emulation), ovvero un modo di progettare uno studio osservazionale per imitare la struttura di un esperimento randomizzato perfetto. Collegando i dati di oltre 71.000 accessi al pronto soccorso di un importante ospedale tra il 2010 e il 2015, lo studio si è concentrato su 51.158 incontri in cui i pazienti avevano sia un elettrocardiogramma che cartelle cliniche collegate. L'obiettivo era misurare il rischio di un esito negativo — definito come un test delle proteine cardiache positivo o il decesso entro trenta giorni — confrontando coloro che sono stati sottoposti a test da sforzo o cateterismi entro dieci giorni rispetto a coloro che non lo sono stati.

L'analisi iniziale dei dati ha mostrato una differenza netta e attesa. I pazienti che hanno ricevuto test cardiaci hanno avuto un tasso di esiti negativi molto più elevato, con quasi il 29 percento che ha sperimentato un test positivo o il decesso, rispetto solo al 7 percento di coloro che non sono stati testati. Questo divario di 22 punti percentuali è esattamente ciò che ci si aspetterebbe quando i pazienti più gravi vengono selezionati per i test. Tuttavia, lo studio è andato molto più a fondo di questo confronto superficiale. Utilizzando tecniche statistiche avanzate che agiscono come un filtro sofisticato, il ricercatore ha regolato decine di fattori, tra cui età, genere, razza e i modelli specifici osservati nell'elettrocardiogramma iniziale dei pazienti. Questi aggiustamenti erano volti a livellare il campo di gioco, creando un confronto equo tra i due gruppi come se fossero partiti con lo stesso livello di rischio.

Dopo aver applicato questi aggiustamenti, il massiccio divario negli esiti si è ridotto drasticamente. La differenza di rischio è scesa dal 22 percento a circa 6 punti percentuali. Ciò significa che, anche dopo aver tenuto conto del fatto che i pazienti testati erano più gravi, c'era ancora una piccola differenza positiva di rischio a favore del gruppo non testato, suggerendo che la strategia di test stessa potrebbe essere associata a esiti leggermente peggiori. Tuttavia, lo studio non si è fermato qui, perché il ricercatore sapeva che il modo in cui i dati erano organizzati poteva ancora nascondere problemi occulti. Un problema principale è quello chiamato "bias del tempo imortale" (immortal time bias), che si verifica quando la definizione di un gruppo richiede che un paziente sopravviva abbastanza a lungo da essere classificato in esso. In questo studio, un paziente doveva rimanere in ospedale o sopravvivere fino a dieci giorni per essere conteggiato come "testato". Se un paziente moriva al secondo giorno, non poteva far parte del gruppo testato, rendendo il gruppo testato artificialmente più sano nei primi giorni.

Per testare quanto questo problema di tempistica fosse rilevante, il ricercatore ha cambiato le regole del gioco. Quando la finestra per definire il "test" è stata accorciata da dieci giorni a un solo giorno, la differenza stimata di rischio è quasi interamente crollata a zero. Ciò suggerisce che la piccola differenza di rischio osservata nella finestra di dieci giorni potrebbe non essere un effetto reale del test, ma piuttosto un artefatto di come i gruppi sono stati definiti nel tempo. Inoltre, lo studio ha esaminato un'informazione specifica: se un paziente fosse stato diagnosticato con un attacco di cuore lo stesso giorno della sua visita. Questa diagnosi appariva nel 43 percento dei pazienti testati ma nello zero percento degli pazienti non testati. Quando il ricercatore ha rimosso questa specifica informazione dall'analisi, la differenza di rischio stimata è quasi raddoppiata, passando da circa 6 punti percentuali a 11 punti percentuali. Questo risultato evidenzia quanto siano fragili i risultati quando si trattano dati in cui il tempo di una diagnosi e la decisione di testare sono così strettamente intrecciati.

Lo studio ha anche calcolato un valore per misurare quanto un fattore non misurato dovrebbe essere forte da spiegare completamente i risultati. Il numero è risultato essere 2,66, il che implica che se ci fosse un fattore nascosto, come la gravità dei sintomi di un paziente che i medici non potevano registrare, che fosse più del doppio probabile causare sia il test che gli esiti negativi, esso potrebbe cancellare la piccola differenza trovata nell'analisi. Dato che i medici prendono decisioni sui test basandosi su sottili segnali clinici che spesso non sono catturati nei database, un tale fattore nascosto è del tutto plausibile. Il ricercatore ha concluso che, sebbene i metodi statistici avessero con successo ridotto l'ovvio bias causato dalla selezione di pazienti più gravi per i test, non potevano eliminare l'incertezza causata dalle informazioni mancanti e dalla complessa tempistica delle decisioni mediche reali.

In definitiva, questo lavoro serve come potente dimostrazione dei limiti dei dati osservazionali. Dimostra che anche con i più sofisticati strumenti matematici e i migliori record disponibili, non possiamo replicare appieno la certezza di un esperimento controllato quando i dati provengono dalla realtà disordinata della medicina d'emergenza. Lo studio non ha dimostato che il test cardiaco sia dannoso, né ha dimostrato che sia inutile. Ha invece rivelato che le piccole differenze viste nei dati sono altamente sensibili a come viene posta la domanda e a quali pezzi di informazione vengono inclusi. La lezione è di cautela: sebbene i metodi moderni possano aiutarci a vedere attraverso la nebbia del confondimento, non possono diradare le ombre del giudizio clinico non registrato o dell'intricata tempistica delle decisioni di vita o di morte. I risultati suggeriscono che l'apparente legame tra test e risultati negativi è probabilmente un riflesso della gravità sottostante del paziente e delle complessità dei dati, piuttosto che una semplice relazione di causa ed effetto che può essere facilmente risolta regolando pochi numeri.