Quando il tempo diventa evidenzaLettura ragionata delle curve di Kaplan–Meier

“La curva non è una fotografia dei pazienti ancora vivi o liberi da progressione (o da recidiva), bensì una stima probabilistica aggiornata al verificarsi degli eventi.”

Le curve di Kaplan-Meier sono tra le immagini più familiari della letteratura oncologica. Quando si separano, è possibile immaginare una differente sopravvivenza tra i bracci di studio. Ma la distanza visiva è solo l’inizio: la curva non è una fotografia dei pazienti ancora vivi o liberi da progressione (o da recidiva), bensì una stima probabilistica aggiornata al verificarsi degli eventi.

Per leggerla bisogna partire dagli assi. Il tempo zero può corrispondere alla randomizzazione, alla diagnosi, all’intervento o all’inizio del trattamento. Sull’asse verticale troviamo invece la probabilità di non avere ancora sperimentato l’evento: morte per l’OS, progressione o morte per la PFS, recidiva per la DFS. Prima di confrontare le curve occorre quindi capire quale tempo e quale evento stiamo osservando.

La curva procede a gradini (non sempre evidenti graficamente): ogni discesa corrisponde a uno o più eventi, mentre i tratti orizzontali indicano periodi senza eventi osservati. I piccoli segni lungo la linea rappresentano le osservazioni censurate, cioè pazienti per i quali il tempo esatto all’evento non è noto. La censura non fa scendere la curva: il paziente contribuisce alla stima fino all’ultima osservazione disponibile, poi esce dalla popolazione a rischio. L’analisi presume che la censura sia non informativa; se l’uscita è legata a deterioramento clinico, tossicità o cambio di terapia, la stima può risultare distorta.

“La tabella dei numeri a rischio è la legenda della robustezza della curva.”

La tabella dei numeri a rischio è quindi la legenda della robustezza della curva. Quando rimangono pochi pazienti, ogni evento pesa maggiormente, l’incertezza aumenta e la coda diventa fragile. Un plateau tardivo può suggerire un beneficio duraturo, ma significa soltanto che non sono stati osservati nuovi eventi tra i pazienti ancora seguiti: senza numeri a rischio e intervalli di confidenza non dimostra guarigione.

Anche la forma della separazione è informativa. Una divergenza precoce può essere coerente con un effetto rapido; curve inizialmente sovrapposte che poi si aprono “a banana” possono suggerire un beneficio differito. Il crossing può invece indicare un vantaggio precoce che si perde o un rischio iniziale seguito da un beneficio tardivo. In questi casi l’effetto non è costante e un singolo hazard ratio può riassumere in modo inadeguato fasi clinicamente diverse. Anche il log-rank test può perdere potenza, perché differenze precoci e tardive tendono a compensarsi; possono essere utili misure complementari, come landmark temporali o restricted mean survival time.

“La mediana è il tempo in cui la curva raggiunge il 50%, non la sopravvivenza del ‘paziente medio’.”

La mediana è il tempo in cui la curva raggiunge il 50%, non la sopravvivenza del “paziente medio”; se la curva non scende sotto tale soglia, non è raggiunta. La maturità del dato, inoltre, non dipende soltanto dal follow-up mediano, ma dal numero di eventi, dai pazienti ancora a rischio e dalla precisione delle stime nei tempi clinicamente rilevanti.

“ATTENZIONE AI RISCHI COMPETITIVI!”

Infine, attenzione ai rischi competitivi: se si studia la recidiva, una morte senza recidiva impedisce che questa possa verificarsi. Trattarla come una semplice censura può sovrastimare la probabilità di recidiva; in questi casi sono preferibili le curve di incidenza cumulativa.

Davanti a una Kaplan–Meier chiediamoci quindi: qual è l’evento e da quando parte il tempo? Quanti pazienti sostengono ogni tratto? Dove avvengono le censure? Quando e come si separano le curve? Follow-up e intervalli di confidenza rendono credibile quella differenza? Le curve non mentono, ma possono essere fragili, immature o fraintese.