Gli studi osservazionali sono alla base di gran parte delle prove cliniche del mondo reale, dai segnali di sicurezza alle domande sull’efficacia comparativa. La sfida ricorrente è l’interpretazione: questi progetti possono rappresentare la migliore opzione disponibile, ma non giustificano automaticamente le conclusioni di causa-effetto. Questo articolo spiega cosa gli studi osservazionali possono e non possono supportare sulla causalità, perché esistono dei limiti e come i team possono rendere le affermazioni causali più difendibili e proporzionate.
Gli studi osservazionali possono dimostrare la causalità?
Nella maggior parte delle impostazioni, gli studi osservazionali sono meglio letti come stime delle associazioni: quando un’esposizione è più comune, anche un risultato è più (o meno) comune. Ciò può essere molto rilevante per le decisioni, ma non equivale a dimostrare che cambiare l’esposizione cambierebbe il risultato.
Gli studi osservazionali a volte possono supportare conclusioni causali, ma solo quando lo studio è inquadrato come una questione causale e le ipotesi richieste per l’interpretazione causale sono dichiarate e difese. In pratica, la domanda non è tanto “può questo progetto dimostrare la causalità?” e inoltre “quale affermazione causale, se esiste, è giustificata dato il meccanismo di assegnazione, i confondenti misurati, le mancanze e la qualità della misurazione?”.
Perché gli studi osservazionali faticano a stabilire causa ed effetto?
La difficoltà principale è che l’esposizione non viene assegnata in modo casuale. Le persone (e i medici, i sistemi e i percorsi) selezionano le esposizioni e quegli stessi fattori possono anche influenzare i risultati. Ciò crea differenze sistematiche di base tra i gruppi, che possono generare associazioni anche quando l’esposizione non ha alcun effetto causale.
Il confondimento è un meccanismo comune, mentre un terzo fattore influenza sia l’esposizione che il risultato. Anche un aggiustamento accurato spesso lascia residui di confondimento, perché alcuni fattori di confondimento non sono misurati, misurati in modo inadeguato o cambiano nel tempo in modi che i dati non possono rappresentare pienamente.
I dati mancanti sono raramente benigni. Il fatto che qualcosa non sia registrato può riflettere percorsi assistenziali, gravità o accesso, piuttosto che indicare “nessun evento”. L’errore di misurazione può essere altrettanto consequenziale. Se l’esposizione o i risultati vengono rilevati in modo incoerente o vengono utilizzate proxy, l’interpretazione causale tende a richiedere ipotesi aggiuntive difficili da verificare.
In che modo gli studi osservazionali si avvicinano all’inferenza causale?
La maggior parte degli approcci mira a rendere i gruppi più comparabili sulle covariate osservate, in modo che le differenze nei risultati siano spiegate in modo meno plausibile dallo squilibrio di base.
La stratificazione è l’espressione più semplice: confrontare i risultati entro livelli di confondimento (ad esempio, all’interno di fasce di età). Il limite pratico è che stratificando tra più fattori, i sottogruppi si restringono e i confronti possono diventare instabili.
L’abbinamento porta ulteriormente la stessa idea accoppiando individui esposti e non esposti con caratteristiche misurate simili. I punteggi di propensione rendono operativo questo aspetto stimando la probabilità di esposizione date le covariate osservate, quindi utilizzando quel punteggio per l’abbinamento, la stratificazione o la ponderazione. Questi strumenti possono ridurre i bias guidati dai confondenti misurati e migliorare l’equilibrio, ma non ricreano la randomizzazione. Se importanti fattori confondenti non vengono osservati (o scarsamente misurati), gli effetti apparenti possono rimanere non causali. È utile considerare questi metodi come parte di un argomento, non come una garanzia.
Quando i progetti osservativi possono supportare affermazioni causali più forti?
Alcuni progetti osservativi possono avvicinarsi a inferenza causale sfruttando meccanismi di assegnazione che sono plausibilmente “come se fossero casuali” in senso stretto, o utilizzando il tempo in un modo che crea un controfattuale più netto.
La discontinuità della regressione è l’esempio più chiaro: il trattamento (o l’esposizione) viene assegnato utilizzando una regola di soglia (ad esempio, un punteggio superiore a un limite). Se gli individui appena al di sopra e appena al di sotto della soglia sono comparabili, le differenze nei risultati vicino al limite possono essere interpretate in modo causale sulla base di presupposti specifici. Il compromesso è che l’affermazione causale è spesso locale: si applica più direttamente alla popolazione vicina alla soglia.
Le serie temporali interrotte utilizzano la tempistica di un intervento o di un cambiamento di politica come caratteristica chiave della progettazione. Se esiste un punto di intervento chiaramente definito e dati sufficienti prima e dopo, i cambiamenti nel livello e nella tendenza possono supportare un argomento causale. La credibilità dipende dall’esclusione di spiegazioni alternative come cambiamenti simultanei, misurazioni in evoluzione o tendenze secolari che si sarebbero comunque verificate.
Questi approcci non sono automaticamente causali. Spostano l’onere dall’aggiustamento per molte covariate alla difesa dei prerequisiti di progettazione e al controllo se le ipotesi sono plausibili nel contesto.
Come si riportano i risultati affinché il linguaggio causale sia proporzionato?
Il linguaggio causale esagerato è solitamente un problema di reporting, non statistico. Un modo pratico per mantenere l’interpretazione difendibile è rendere esplicita la struttura causale.
Inizia ponendo la domanda causale in termini semplici: quale cambiamento dell’esposizione viene considerato, per chi e in quale orizzonte temporale. Quindi emergono le ipotesi chiave necessarie per interpretare la stima come causale, inclusa quella fondamentale: assenza di confusione incontrollata (o un meccanismo credibile che la limiti). Laddove dati mancanti, errori di misurazione o meccanismi di selezione potrebbero distorcere la stima, descrivere cosa si è ipotizzato e perché è plausibile.
La credibilità migliora quando i team dimostrano quanto i risultati dipendano da scelte e ipotesi. Le analisi di sensibilità e di bias possono mostrare come le conclusioni cambiano in base a presupposti alternativi plausibili. Anche la triangolazione può aiutare: se diversi progetti, fonti di dati o specifiche analitiche che hanno profili di bias diversi puntano nella stessa direzione, la fiducia in genere aumenta. I controlli negativi e le strategie di falsificazione possono essere utili laddove fattibile, perché verificano se l’analisi genera “effetti” dove non dovrebbero esistere.
Lo scopo non è quello di vietare del tutto il linguaggio causale. Serve per garantire che qualsiasi formulazione causale sia strettamente collegata ai presupposti e ai controlli che la supportano e che i lettori possano vedere cosa dovrebbe essere vero affinché la conclusione sia valida.
Quali disegni di studio possono (e non possono) supportare causa ed effetto?
Se il tuo obiettivo è una chiara affermazione di causa-effetto, gli esperimenti randomizzati rimangono la via più diretta perché l’assegnazione casuale rompe il collegamento tra la selezione dell’esposizione e il rischio di base. Ecco perché i risultati osservativi possono essere messi in discussione anche quando appaiono biologicamente plausibili e statisticamente robusti.
I disegni quasi sperimentali possono talvolta supportare l’inferenza causale senza randomizzazione, ma solo entro i limiti delle loro ipotesi e spesso solo per una popolazione target ristretta (ad esempio, vicino a una soglia nella discontinuità della regressione). I confronti osservativi standard rafforzati attraverso l’abbinamento, la stratificazione o i punteggi di propensione possono fornire stime credibili quando il confondimento è ben catturato, ma rimangono vincolati a ipotesi e vulnerabili al confondimento non misurato.
Disegni puramente descrittivi che non definiscono un confronto controfattuale credibile (ad esempio, descrivendo i risultati in un singolo gruppo esposto) possono essere preziosi per la caratterizzazione e il rilevamento del segnale, ma sono in genere basi deboli per le affermazioni di causa-effetto perché non possono separare gli effetti dell’esposizione dal rischio di fondo e dal contesto.
Conclusione
Gli studi osservazionali raramente “dimostrano” la causalità da soli, ma possono comunque informare le decisioni quando la questione causale è definita chiaramente e i limiti sono gestiti in modo trasparente. Il lavoro più difendibile rende esplicite le ipotesi, migliora la comparabilità ove possibile e mostra come si comportano le conclusioni in presenza di specifiche alternative e scenari di distorsione plausibili. Quando i lettori possono vedere cosa supportano i dati e cosa rimane incerto, possono agire sulla base delle prove osservative senza chiedere loro di fare più di quanto possono.
Quanticate il team di consulenza statistica può supporto con progettazione di studi osservazionali, strategia di inferenza causale e analisi trasparenti, difendibili e proporzionate ai dati. Richiedi una consulenzae un membro del nostro team ti contatterà.
