https://simri.it/
2019 31 GEN

Non solo p-value: l’E-value

In un articolo molto recente pubblicato su “JAMA Guide to Statistics and Methods”, Sebastien Haneuse e altri autori hanno descritto il razionale e l’interpretazione di un moderno strumento per valutare il confondimento non misurato negli studi osservazionali: l’E-value.

La randomizzazione non è sempre fattibile (o etica) negli studi clinici; per esempio, quando si valutano i benefici della chirurgia nei pazienti, l’assegnazione al trattamento non può essere random. Il principale inconveniente negli studi osservazionali è l’effetto di confondimento, cioè che l’associazione stimata tra l’intervento e l’outcome potrebbe essere attribuibile ad altri fattori (età, genere, abitudini, comorbidità e così via).
Nonostante vengano frequentemente utilizzate diverse strategie per mitigare il confondimento (matching, stratificazione, modelli muti-variabile), i potenziali confondenti non misurati o non noti potrebbero ancora avere influenza sui risultati. Per questo motivo, possono essere effettuate analisi di sensitività per valutare l’entità di tale influenza. Gli input per un’analisi di questo tipo sono generalmente: (1) una misura dell’associazione tra confondente non misurato e intervento, (2) una misura dell’associazione tra confondente non misurato e outcome. Sfortunatamente, a meno che non si considerino ampi intervalli di valori, le assunzioni fatte rispetto agli input possono influenzare i risultati dell’analisi di sensitività.
Un approccio alternativo, più oggettivo, è rappresentato dall’E-value. Questo risponde alla domanda: quanto devono essere grandi (1) e (2) per negare i risultati osservati? La “E” sta per “Evidenza per la causalità”: maggiore l’E-value, maggiore deve essere la forza del confondimento non misurato per poter dire che essa sia responsabile dell’associazione osservata tra intervento e outcome. L’E-value è semplice da calcolare, e può essere espresso come un comune “effect-size”, come ad esempio un RR, OR, quindi è semplice da interpretare. L’E-value è stato anche implementato in alcuni software disponibili gratuitamente (https://cran.r-project.org/web/packages/EValue).

Fonte:
Haneuse S, VanderWeele TJ, Arterburn D. Using the E-Value to Assess the Potential Effect of Unmeasured Confounding in Observational Studies. JAMA. Published online January 24, 2019. doi:10.1001/jama.2018.21554.

Articolo a cura di Salvatore Fasola