Multiple Imputation Methods for Handling Missing Data under Treatment Policy Strategy: A Scoping Review

Nel mondo della ricerca medica, il gold standard per dimostrare l'efficacia di un nuovo farmaco è il trial controllato randomizzato. In questi studi, i volontari vengono assegnati a ricevere il nuovo trattamento o uno standard, e i ricercatori monitorano la loro salute nel tempo per vedere chi migliora. Tuttavia, la vita reale è complicata. I partecipanti spesso smettono di assumere la loro medicazione, passano a un trattamento diverso o abbandonano lo studio per effetti collaterali o ragioni personali. Queste interruzioni sono note come eventi intercorrenti. Per decenni, gli statistici hanno dibattuto su come gestire i dati di questi partecipanti una volta che avevano abbandonato il percorso di trattamento. Si doveva analizzare come se non si fossero mai fermati, o si doveva contare solo il tempo in cui avevano effettivamente assunto il farmaco? Un importante aggiornamento alle linee guida internazionali dei trial clinici ha introdotto un approccio specifico chiamato "strategia della politica del trattamento" (treatment policy strategy). Questo approccio pone una domanda semplice e pratica: cosa succede a un paziente se viene assegnato a un trattamento, indipendentemente dal fatto che lo segua o meno? Tratta l'assegnazione stessa come il fattore chiave, analizzando tutti gli esiti man mano che si verificano, anche dopo che un paziente ha interrotto il farmaco.

La sfida sorge quando un paziente interrompe il trattamento e poi smette di presentarsi alle visite di follow-up. I suoi dati sanitari diventano mancanti. Se i ricercatori ignorano semplicemente questi numeri mancanti, i risultati del trial possono essere distorti, rendendo potenzialmente un farmaco migliore o peggiore di quanto sia realmente. Per risolvere questo problema, gli statistici utilizzano una tecnica chiamata imputazione multipla. Immaginate un puzzle in cui alcuni pezzi sono andati perduti; invece di lasciare un vuoto, create diverse versioni plausibili dei pezzi mancanti basandovi sui modelli che vedete nei pezzi che avete ancora. Poi risolvete il puzzle con ogni versione e combinate i risultati per ottenere una risposta affidabile. Sebbene questo metodo funzioni bene quando i dati sono mancanti in modo casuale, spesso fallisce sotto la strategia della politica del trattamento perché i pazienti che interrompono il trattamento spesso cambiano la loro traiettoria di salute in modi che differiscono da quelli che continuano. Le assunzioni standard non si applicano più e i pezzi mancanti devono essere riempiti con una logica più sofisticata.

Un team di ricercatori dell'Imperial College London si è dato come obiettivo mappare il panorama di queste soluzioni avanzate. Hanno condotto una revisione completa della letteratura scientifica, cercando ogni studio che proponesse o confrontasse metodi per colmare i dati mancanti specificamente per la strategia della politica del trattamento. Hanno esaminato articoli pubblicati dall'inizio dei record dei database fino all'inizio del 2026. Dopo un rigoroso processo di screening che ha rimosso i duplicati e gli studi irrilevanti, hanno identificato 52 articoli chiave focalizzati su questo problema specifico. Il loro obiettivo non era testare un nuovo farmaco, ma organizzare gli strumenti matematici che i ricercatori usano per garantire che i risultati dei trial clinici rimangano onesti e accurati quando i pazienti abbandonano.

La revisione ha rivelato che il campo si è evoluto significativamente, in particolare da quando le nuove linee guida sono state formalmente introdotte nel 2019. Prima di allora, idee simili esistevano ma venivano descritte usando nomi diversi, come estimandi "de facto" o di "efficacia". Le nuove linee guida hanno aiutato a standardizzare il linguaggio, portando a un aumento delle pubblicazioni che affrontavano esplicitamente la strategia della politica del trattamento. I ricercatori hanno scoperto che la maggior parte del lavoro in quest'area proviene dagli Stati Uniti e dal Regno Unito, con la maggioranza dei documenti che sono studi metodologici progettati per testare e perfezionare i modelli statistici piuttosto che rapporti di veri e propri trial clinici.

Il nucleo della revisione si è concentrato su quattro principali famiglie di metodi utilizzati per gestire questi punti dati mancanti. L'approccio più comune, trovato in circa tre quarti degli studi, è chiamato imputazione basata sul riferimento (reference-based imputation). Questo metodo assume che, se un paziente interrompe il trattamento assegnato, i suoi futuri esiti sanitari inizieranno a somigliare a quelli di un gruppo di confronto specifico, spesso i pazienti che hanno ricevuto un placebo o un farmaco di cura standard. Esistono diverse variazioni di questa idea. Una versione, nota come "salto al riferimento" (jump to reference), assume che il paziente perda immediatamente il beneficio del nuovo farmaco e adotti istantaneamente la traiettoria del gruppo di confronto. Un'altra, chiamata "copia gli incrementi del riferimento" (copy increments in reference), assume che il paziente mantenga il beneficio ottenuto fino al momento in cui ha interrotto, ma che la sua salute cambi con lo stesso ritmo del gruppo di confronto. Una terza variazione, "ultimo valore medio trasportato in avanti" (last mean carried forward), assume che il paziente mantenga il beneficio medio che aveva al momento in cui ha lasciato lo studio.

La seconda grande famiglia di metodi è chiamata imputazione per abbandono recuperato (retrieved dropout imputation). Questo approccio offre una prospettiva diversa. Invece di prendere in prestito dati da un gruppo di confronto, si basa interamente sui dati effettivi raccolti da altri pazienti che hanno interrotto il trattamento ma sono rimasti nello studio. Se un paziente abbandona, i suoi futuri dati mancanti vengono stimati in base ai modelli osservati di coloro che hanno anche interrotto il trattamento ma hanno continuato a fornire aggiornamenti. Questo metodo è potente perché utilizza prove del mondo reale provenienti dal trial stesso, ma richiede che un numero sufficiente di pazienti che hanno interrotto il trattamento rimanga effettivamente nello studio per fornire un modello affidabile. I ricercatori hanno scoperto che questo metodo è stato sviluppato in varie forme, alcune che guardano solo all'ultima visita prima che un paziente abbandoni, e altre che utilizzano un modello più complesso che traccia l'intera storia di trattamento e interruzione del paziente.

La revisione ha anche identificato altre due strategie meno comuni. Una è il metodo "ritorno al basale" (return-to-baseline), che assume che, dopo l'interruzione del trattamento, la salute del paziente ritorni al livello in cui si trovava all'inizio dello studio, con una certa variazione casuale aggiunta. L'altra è il metodo "lavaggio" (washout), che è simile all'approccio basato sul riferimento ma è applicato solo alla misurazione finale dello studio. Assume che qualsiasi beneficio derivante dal farmaco sperimentale scompaia nel tempo per coloro che interrompono, lasciando solo l'effetto del placebo o della cura standard. Oltre a queste quattro categorie principali, i ricercatori hanno trovato un numero crescente di metodi "ibridi". Questi sono tecniche più recenti che cercano di combinare i punti di forza dei diversi approcci, come l'uso dei dati reali dei drop-out quando disponibili, ma passando a un'assunzione basata sul riferimento se non ci sono abbastanza dati per rendere una stima affidabile.

I ricercatori hanno anche esaminato come questi metodi vengano applicati a diversi tipi di esiti sanitari. Sebbene la maggior parte del lavoro si sia concentrata su misurazioni continue, come la pressione sanguigna o i punteggi del dolore, la revisione ha mostrato che i statistici hanno adattato con successo queste tecniche per esiti binari (come se un paziente sia guarito o meno), dati di tempo all'evento (come quanto tempo è passato prima che una malattia si sia ripresentata) e persino conteggi complessi di eventi ricorrenti. Tuttavia, la revisione ha evidenziato una lacuna significativa: mentre i metodi per i dati continui sono ben sviluppati, gli strumenti per altri tipi di esiti sono ancora in fase di maturazione. Inoltre, i ricercatori hanno notato che, sebbene molti articoli fornissero il codice informatico necessario per eseguire questi metodi di imputazione, meno articoli fornivano il codice utilizzato per generare i dati simulati per testarli. Ciò rende più difficile per altri scienziati comprendere appieno come i metodi siano stati validati.

Un problema critico discusso nella revisione è il problema della "non congruenza" (uncongeniality). Ciò accade quando il modello matematico utilizzato per colmare i dati mancanti non corrisponde perfettamente al modello utilizzato per analizzare i risultati finali. Questo disallineamento può portare a stime errate di quanto i ricercatori debbano essere sicuri delle loro scoperte. La revisione ha scoperto che, sebbene le regole statistiche standard per combinare i risultati siano ampiamente utilizzate, alcuni esperti sostengono che possano non essere la scelta migliore per questi specifici metodi. Invece, alcuni ricercatori suggeriscono di utilizzare metodi di calcolo alternativi, come il bootstrapping, per ottenere una misura più accurata dell'incertezza. La revisione non ha dichiarato un metodo superiore agli altri; piuttosto, ha sottolineato che la scelta del metodo dipende fortemente dalle specifiche assunzioni che un ricercatore è disposto a fare su ciò che accade a un paziente dopo che ha interrotto il trattamento.

In definitiva, questa revisione sistematica serve come una mappa vitale per il complesso terreno dell'analisi dei moderni trial clinici. Mostra che, sebbene non esista un unico modo perfetto per gestire i dati mancanti quando i pazienti interrompono il trattamento, esiste un robusto e crescente toolkit di metodi disponibili. I ricercatori hanno concluso che comprendere le assunzioni specifiche dietro ogni metodo è essenziale per scegliere quello giusto. Mentre i trial clinici continuano a evolversi per riflettere le condizioni del mondo reale, la capacità di colmare accuratamente i vuoti lasciati dai dati mancanti rimarrà una pietra angolare della scienza medica affidabile. Il lavoro di questi statistici assicura che, quando un medico prescrive un trattamento, l'evidenza che lo supporta tenga conto della realtà secondo cui i pazienti potrebbero non sempre seguire il piano perfettamente.