“Per anni ha regnato nella letteratura clinica come criterio quasi assoluto per distinguere un risultato ‘positivo’ da uno ‘negativo’.”
Iniziamo il nostro percorso di metodologia con un confronto con Sua Maestà p-value. Per anni ha regnato nella letteratura clinica come criterio quasi assoluto per distinguere un risultato “positivo” da uno “negativo”. E in parte il motivo è chiaro: il p-value offre una regola semplice. Ma oggi sappiamo che, da solo, non basta. Le grandi riviste e l’American Statistical Association hanno ricordato che va interpretato con cautela e sempre nel contesto dello studio.
Che cos’è?
Il p-value indica quanto i dati osservati siano poco compatibili con l’ipotesi nulla, cioè con l’ipotesi che tra due gruppi non vi sia alcuna differenza reale. Dire p < 0.05 significa che, se davvero non ci fosse alcuna differenza, osservare un risultato uguale o più estremo di quello ottenuto sarebbe atteso in meno del 5% dei casi. Non significa che il trattamento abbia il 95% di probabilità di funzionare, né che il risultato sia automaticamente importante sul piano clinico.
Perché è utile?
Perché segnala che il risultato osservato è difficilmente attribuibile al solo caso, entro il modello statistico usato. Per questo è stato, ed è ancora, molto utilizzato nei trial clinici.
Dove sono i limiti?
Il problema nasce quando il p-value diventa un verdetto binario. Un valore di 0.049 non racconta una storia molto diversa da 0.051. Inoltre, il p-value non dice nulla, da solo, sulla dimensione dell’effetto, sulla precisione della stima o sulla sua rilevanza clinica.
Un esempio oncologico
In un trial, un nuovo farmaco può migliorare la progression-free survival con p < 0.05, ma il vantaggio assoluto può essere di poche settimane e accompagnarsi a tossicità significativa.
“È qui che il clinico deve andare oltre il p-value e guardare hazard ratio, intervalli di confidenza, beneficio assoluto e profilo di tossicità.”
Il risultato è statisticamente significativo, ma il suo valore clinico può essere modesto. È qui che il clinico deve andare oltre il p-value e guardare hazard ratio, intervalli di confidenza, beneficio assoluto e profilo di tossicità.
Bibliografia essenziale
- van Zwet E, Gelman A, Greenland S, Imbens G, Schwab S, Goodman SN. A New look at P values for randomized clinical trials. NEJM Evid 2024;3(1):EVIDoa2300003. doi: 10.1056/EVIDoa2300003. Epub 2023 Dec 22. Erratum in: NEJM Evid 2024;3(2):EVIDx2400007. doi: 10.1056/EVIDx2400007.
- Amrhein V, Greenland S, McShane B. Scientists rise up against statistical significance. Nature 2019;567(7748):305-307. doi: 10.1038/d41586-019-00857-9.
