Autore: Alice Bernasconi, 1) Unità di Epidemiologia Valutativa, Dipartimento di Epidemiologia e Data Science, Fondazione IRCCS Istituto Nazionale dei Tumori, Milano, Italia; 2) Models and Algorithms for Data & Text Mining (MADLab), Università degli Studi di Milano-Bicocca, Milano, Italia
alice.bernasconi@istitutotumori.mi.it
Alessio Zanga, 2) Models and Algorithms for Data & Text Mining (MADLab), Università degli Studi di Milano-Bicocca, Milano, Italia, 3) Data Science and Advanced Analytics, F. Hoffmann – La Roche Ltd, Basilea, Svizzera; Fabio Antonio Stella, 2) Models and Algorithms for Data & Text Mining (MADLab), Università degli Studi di Milano-Bicocca, Milano, Italia; Annalisa Trama, 1) Unità di Epidemiologia Valutativa, Dipartimento di Epidemiologia e Data Science, Fondazione IRCCS Istituto Nazionale dei Tumori, Milano, Italia; e l’Ada Working group
Categoria Primaria: Epidemiologia valutativa
Categoria Secondaria: Malattie cronico-degenerative e tumori
Introduzione: In ambito epidemiologico, quando si misura un’associazione statistica tra un trattamento ed un esito, è necessario prendere in considerazione anche l’ipotesi dell’assenza di una reale relazione causa-effetto tra i due. Infatti, se non correttamente aggiustati, meccanismi come errori sistematici o confondimento possono produrre risultati spuri e portare a conclusioni errate. Tutto ciò diventa ancora più rilevante in quei casi, come in oncologia, dove la complessità della malattia può richiedere trattamenti combinati con forti interazioni tra di loro. In questo contesto, identificare le variabili chiave e comprenderne la loro struttura causale è quindi fondamentale per stimarne e comprenderne gli effetti.
Obiettivi: Stimare l’impatto dei trattamenti oncologici sul rischio cardiovascolare, valutato nei primi 5 anni post trattamento, nelle giovani pazienti (<40 anni) sopravvissute al tumore al seno; utilizzando modelli grafico-probabilistici e tecniche di inferenza causale per la gestione del confondimento.
Metodi: Abbiamo innanzitutto definito un grafo che descrivesse i meccanismi causali sottostanti al rischio cardiovascolare, in due fasi: una prima fase di elicitazione della conoscenza di dominio tramite discussione con gli esperti e revisione di letteratura, seguita da una fase di apprendimento strutturale fatta attraverso l’applicazione di algoritmi di causal discovery ai dati derivanti da due coorti, una di popolazione e una clinica. Grazie al grafo è stato identificato attraverso il “backdoor-criterion”, per ciascun trattamento, il set minimo di variabili (conditioning set) in grado di bloccare tutti i percorsi che andavano a creare associazione spuria. I singoli conditioning set sono stati poi utilizzati per stimare il rischio relativo (RR) aggiustato di patologie cardiovascolari in pazienti che ricevevano un determinato trattamento rispetto a quelli che non lo ricevevano.
Risultati: Il maggior impatto cardiotossico risulta legato alle terapie neo-adiuvanti (i.e. pre-chirurgia): terapie target RR=33.3 [14.7; 62.0], radioterapia RR=17.7 [3.1; 32.2] e chemioterapia RR=10.7 [-3.3; 24.7]. Non si osserva alcun impatto significativo invece per gli stessi trattamenti quando adiuvanti (i.e. post-chirurgia). La terapia ormonale neo-adiuvante risulta protettiva rispetto al rischio di ischemie cardiache nei primi 5 anni dalla diagnosi (RR=0.7 [0.6; 0.8]). La stessa terapia, sia essa somministrata come neo- o adiuvante, non risulta invece associata al rischio di sviluppare ipertensione o dislipidemia.
Conclusioni: Strumenti di inferenza causale come i grafi possono essere estremamente efficaci nella gestione del confondimento presente nei dati osservazionali, fornendo stime interpretabili anche dal punto di vista clinico. Le stime ottenute da questa analisi verranno, in sede di presentazione, lette alla luce della letteratura clinica sull’argomento e comparate con le stime non aggiustate, per discutere l’entità della distorsione nei dati.