L'inferenza causale è importante nella ricerca medica per aiutare a determinare se i trattamenti sono benefici e se le esposizioni naturali sono dannose. In molte impostazioni, la raccolta dei dati rende difficile l'inferenza causale senza fare ipotesi eccessivamente ottimistiche o idealistiche. In un nuovo articolo pubblicato su Giornale dell'American Statistical Association , i ricercatori del Karolinska Institutet sviluppano nuovi metodi statistici per rendere possibile l'inferenza causale in alcuni contesti senza fare tali ipotesi.

Gli autori Erin Gabriel, Michael Sachs e Arvid Sjölander presso il Dipartimento di Epidemiologia Medica e Biostatistica, descrivere nel nuovo articolo come questi metodi possono essere utilizzati e interpretati.

Nuovi strumenti che possono essere applicati in una varietà di diversi contesti di ricerca

Gli studi randomizzati sono un tipo di esperimento in cui gruppi di volontari vengono assegnati in modo casuale a ricevere o meno un nuovo medicinale, e quindi viene effettuato un confronto tra i due gruppi assegnati casualmente per valutare l'effetto del medicinale randomizzato sulla sopravvivenza, infezione, o il benessere dei pazienti. A differenza dei nuovi farmaci, ci sono molte cose che non possono essere assegnate a caso ai volontari, come il fumo e l'esposizione all'amianto, o che potrebbe essere randomizzato, ma sono più spesso studiati in studi osservazionali, come il vino rosso e il consumo di frutta.

In queste impostazioni, l'effetto di un'esposizione può essere difficile da determinare perché altri fattori possono influenzare sia l'esposizione degli interessi che il risultato. Per esempio, vivere in Svezia è associato a una mortalità inferiore e a un consumo più elevato di more di rovo rispetto all'Ungheria, quindi, cercare l'effetto dei lamponi sulla mortalità in un gruppo che includeva persone sia ungheresi che svedesi può portare un ricercatore a credere che i lamponi riducano la mortalità.

Metodi statistici sviluppati utilizzando un nuovo approccio

Sebbene ci siano molti strumenti per trattare i fattori misurati, come il paese di residenza, per consentire la verifica e la stima di tali effetti, tutti questi metodi richiedono che un ricercatore sia disposto a indovinare su tutti gli altri fattori che non ha misurato. Il lavoro qui presentato utilizza la matematica, logica e statistica per ridurre la necessità di questa supposizione e, piuttosto che dare un unico valore dell'effetto, offre una gamma di possibili dimensioni dell'effetto. Sebbene alcuni ricercatori abbiano sviluppato metodi simili, i metodi sono pochissimi e sono specifici del tipo di dati e di come sono stati raccolti i dati. Erin Gabriel e i suoi colleghi sviluppano nuovi metodi per consentire un numero molto più ampio di stili di raccolta dei dati, molti dei quali sono molto comuni in Svezia a causa dei registri.

"Questi metodi statistici, che sono facili da implementare, può aiutare in molti contesti in cui l'inferenza causale è minacciata da confusione non misurata e/o da bias di selezione, " dice il primo autore Erin Gabriel.

Gli autori sperano che i loro strumenti vengano utilizzati dai ricercatori di tutto il mondo per aiutarli a prendere decisioni senza dover indovinare fattori non misurati nei loro dati. Nel loro lavoro in corso e futuro, mirano a costruire e descrivere nuovi strumenti statistici che possono essere utilizzati in studi clinici imperfetti.