Medical Writing e Statistical Report: la documentazione che regge

Nel lavoro di ricerca clinica, medical writing e statistical report sono spesso le ultime cose a cui si pensa. E quasi sempre le prime a creare problemi. Probabilmente lo hai visto almeno una volta. Uno studio condotto bene, dati solidi, un’analisi che tiene. E poi qualcosa si inceppa. La submission viene respinta. Il comitato etico chiede chiarimenti. Il revisore solleva obiezioni che sembrano uscire dal nulla.

Il problema, quasi sempre, non è l’analisi. È il documento che la presenta. Non perché sia scritto male, ma perché tra l’analisi e il documento che avrebbe dovuto rappresentarla si è aperta una distanza sottile, a volte quasi invisibile, che qualcuno dall’altra parte ha visto. E quando quella distanza viene vista, il lavoro di mesi entra in discussione. 

La documentazione clinica e statistica sembra un problema di forma. È un problema di sostanza. E chi non lo sa, lo scopre nel momento peggiore.

Il documento non è il contenitore dell’analisi. È l’analisi stessa.

C’è una convinzione molto comune — comprensibile, perché nasce da come si organizza il lavoro nella pratica — che la parte difficile di uno studio sia l’analisi statistica, e che la documentazione venga dopo, quasi di conseguenza. Che scrivere il report, preparare le tabelle, formalizzare il piano siano passaggi esecutivi, delegabili, secondari rispetto al lavoro vero.

Questa convinzione è esattamente il punto in cui molti progetti cominciano a incepparsi.

Prendiamo il SAP. Un piano di analisi statistica scritto prima che il dataset venga aperto e uno scritto dopo non sono la stessa cosa con una data diversa. Sono documenti ontologicamente diversi. Il primo protegge l’integrità dell’analisi. Il secondo la espone. Un revisore esperto li distingue in pochi minuti e sa esattamente cosa farne.

Ma non è solo una questione di tempistica. È una questione di cosa quel documento contiene e con quale profondità. La gestione dei dati mancanti non è una nota a piè di pagina. È una decisione che cambia i risultati e che deve essere presa — e motivata — prima di vedere i dati. La scelta tra un’analisi intention-to-treat e una per-protocol non è intercambiabile a posteriori. La decisione di usare un modello di Cox invece di un modello diverso dipende dall’assunzione di proporzionalità degli hazard e quell’assunzione va pianificata, verificata, documentata, discussa. Non assunta in silenzio e non scoperta solo quando la solleva un revisore. (Leggi anche l’articolo Supporto statistico in uno studio osservazionale multicentrico: cosa succede prima di aprire il software).

Tutto ciò che non è nel SAP non è difendibile. Pianificare un’analisi statistica e dunque scrivere un SAP è forse la parte più pesante dell’intero lavoro statistico. Richiede di valutare, pesare, immaginare e descrivere scenari che al momento della pianificazione non sono ancora accaduti e forse non sono nemmeno prevedibili. È un lavoro che richiede esperienza, rigore e una certa dose di umiltà metodologica. E che, proprio per questo, raramente viene applicato fino in fondo.

Le tabelle che reggono. E quelle che no.

Le TLF — tabelle, figure e listing — sono il momento in cui i risultati smettono di essere numeri e diventano evidenza leggibile. Non sono output di software. Sono documenti, con una struttura, uno standard, una logica interna che deve essere coerente dall’inizio alla fine.

Pensa a cosa succede quando quella logica manca. La missingness non è documentata. I denominatori cambiano tra una tabella e l’altra senza spiegazione. I p-value sono riportati senza che sia chiaro il test usato, se era pre-specificato, su quale popolazione. Chi legge con attenzione — e chi deve farlo, lo fa sempre — si ferma. Fa domande. E una tabella che non sa stare da sola è una tabella che trascina l’intero studio in una zona di incertezza che nessuno vuole abitare.

Una tabella ben configurata, invece, parla da sola. Ma produrla bene non significa formattarla bene. Significa sapere cosa c’è dentro quei numeri: aver scelto il test, verificato le assunzioni, deciso come trattare i tied values in un’analisi di sopravvivenza, capito perché una stima di Kaplan-Meier va presentata con intervalli di confidenza pointwise e non simultanei. Significa insomma saper anticipare lo sguardo di chi quella tabella la leggerà dall’altra parte con competenze precise, occhio critico e, fattore non secondario, poco tempo.

Non basta formattare. Bisogna capire. E capire richiede molto più di quanto sembri.

Il report che non lascia domande aperte.

Il Statistical Report e il Clinical Study Report sono il momento in cui tutto converge: metodi, risultati, interpretazione, in un testo unico, coerente, verificabile. È il documento che un DSMB, un’autorità regolatoria o un revisore di rivista usa per capire se lo studio regge. Per questa tipologia di documenti non si guarda solo ai risultati, ma si guarda all’intera logica che li ha prodotti, alla catena documentale che li supporta, cercando di capire se tutto fila liscio e logico o se, invece, il processo si inceppa.

Questi documenti sono tra i più sottovalutati dell’intero processo di ricerca. Si tende a considerarli un passaggio finale, quasi burocratico. Sono invece la prova che tutto il sistema regge: che il SAP è stato rispettato, che le TLF sono coerenti con la narrativa, che ogni scelta analitica ha una giustificazione tracciabile. Sono il documento delle risposte, non degli interrogativi.

Quando invece vengono assemblati da pezzi prodotti in momenti diversi, da persone diverse, senza un filo metodologico comune, le domande arrivano tutte insieme. Come uno tsunami che travolge un lavoro costruito nel tempo. E arrivano per di più nel momento peggiore, ossia quando la strada è già stata percorsa. Un momento in cui rimettere mano allo studio è una delle esperienze più difficili che un ricercatore possa trovarsi ad affrontare.

La differenza non è stilistica. È strutturale. E si costruisce dall’inizio, non si recupera alla fine.

Non basta scrivere bene. Non basta nemmeno saper fare solo statistica.

Il medical writing è la disciplina che trasforma contenuto tecnico in comunicazione calibrata su un destinatario specifico. Un comitato etico. Un organismo notificato. Un editor. Un revisore anonimo che leggerà il tuo manoscritto con competenze precise, occhio critico e, ripeto, poco tempo.

Scrivere per ciascuno di questi interlocutori richiede cose diverse e richiede di conoscerli davvero. Un piano di indagine clinica per un dispositivo medico ai sensi dell’MDR non si costruisce come un protocollo accademico. Le domande a cui deve rispondere sono diverse, l’ordine è diverso, il livello di dettaglio su ciascun punto è definito da un quadro normativo che si conosce solo lavorandoci dentro ogni giorno. Una risposta ai revisori non è una lista di modifiche. È un’argomentazione logica che spiega perché si è scelto di accogliere un commento o, con rispetto e rigore, di non accoglierlo. Una sezione Methods non è un riassunto delle analisi condotte o delle procedure applicate. È la giustificazione teorica che mostra perché, dato quel contesto e quel quesito, si è scelto di fare esattamente quelle analisi e di applicare quelle procedure e non altre.

Tutta questa capacità di calibrare non viene dalla scrittura. Viene dalla statistica, dalla metodologia, dall’immersione nella letteratura di quell’area clinica specifica. Viene dall’aver letto abbastanza da sapere cosa è rilevante e cosa non lo è per quello specifico ambito. Dall’aver seguito abbastanza processi regolatori da capire dove si fermano le domande. Dal conoscere la differenza tra evidenza sufficiente ed evidenza preliminare agli occhi di chi deve valutarla.

Chi sa solo scrivere non può produrre questi documenti. Chi sa solo fare statistica nemmeno. Servono entrambe le competenze e qualcosa in più: la capacità di entrare dentro un argomento clinico specifico, di capirne le sfumature, di scrivere con la voce di chi conosce davvero il campo di cui sta parlando. Questa combinazione non è comune. E la sua assenza, nella documentazione, si vede.

Chi firma, risponde.

C’è una domanda che vale la pena porsi, qualunque sia il contesto in cui lavori: chi firma il documento metodologico? Chi ne risponde, se qualcuno fa domande?

In molti casi la risposta è vaga. Il documento esiste, i nomi ci sono — il biostatistico risponde della statistica, il metodologista del metodo, il clinico della parte clinica. Ma distribuire la responsabilità tra più figure non è lavorare in modo multidisciplinare: è costruire un sistema che sotto esame non regge. Funziona finché nessuno guarda da vicino. E in un processo regolatorio o in una peer review, qualcuno guarda sempre da vicino.

I documenti prodotti in Mathsly Research sono firmabili. Il SAP, il report statistico, la sezione metodologica di un CSR portano la firma del biostatistico responsabile, non come formalità, ma come atto di responsabilità professionale riconoscibile davanti a un comitato etico, a un organismo notificato, a una rivista che chiede trasparenza analitica. Per farlo, chiediamo ai nostri clienti di spiegarci il loro lavoro dall’interno. Di farci entrare nel contesto, capire le sfumature, conoscere il campo. Perché l’obiettivo non è produrre documentazione: è produrre una sinfonia. Non uno spartito che nessuno sa davvero come si suona.

In un momento in cui strumenti automatizzati e AI entrano nella produzione documentale più velocemente di quanto si riesca a valutarne le implicazioni, questa distinzione conta più che mai (leggi l’articolo l’AI non corregge un disegno sbagliato, lo amplifica). La differenza tra un documento generato e un documento firmato non è simbolica. È sostanziale. E prima o poi — di solito quando meno conviene — diventa visibile.

Stai lavorando a uno studio e hai qualche dubbio sulla tenuta della tua documentazione? Dal SAP al report finale, parlarne prima è sempre la scelta più utile. Trovi il modo di contattarci nella sezione Contatti.