{"id":24775,"date":"2026-06-08T15:16:16","date_gmt":"2026-06-08T13:16:16","guid":{"rendered":"https:\/\/www.mathsly.it\/wordpress\/?p=24775"},"modified":"2026-06-17T13:43:29","modified_gmt":"2026-06-17T11:43:29","slug":"estimand-ich-e9r1-sap","status":"publish","type":"post","link":"https:\/\/www.mathsly.it\/wordpress\/estimand-ich-e9r1-sap\/","title":{"rendered":"Estimand e ICH E9(R1): perch\u00e9 ogni SAP deve definire cosa si vuole stimare"},"content":{"rendered":"\n

Un SAP pu\u00f2 essere tecnicamente ineccepibile e rispondere alla domanda sbagliata. Succede ogni volta che l\u2019obiettivo dello studio rimane implicito: si specifica come analizzare, ma non cosa si sta realmente stimando.<\/p>\n\n\n\n

L\u2019addendum ICH E9(R1) del 2019 ha reso questo problema non pi\u00f9 ignorabile. L\u2019estimand \u2014 la definizione formale della quantit\u00e0 di interesse \u2014 deve essere dichiarato nel protocollo e nel SAP, prima di qualsiasi scelta analitica.<\/p>\n\n\n\n

Non \u00e8 un requisito formale<\/h2>\n\n\n\n

Un estimand non \u00e8 un singolo numero: \u00e8 la risposta precisa a una domanda clinica. Definisce esattamente cosa si vuole misurare, su chi, in quali condizioni e come si intende trattare tutto ci\u00f2 che pu\u00f2 interferire con la misurazione nel corso dello studio. ICH E9(R1) struttura questa definizione attraverso cinque attributi. Ciascuno va esplicitato nel SAP, non lasciato alla memoria di chi ha disegnato lo studio.<\/p>\n\n\n\n

I cinque attributi dell\u2019estimand<\/h2>\n\n\n\n

1. Popolazione target<\/h3>\n\n\n\n

Non \u201cadulti con diagnosi X\u201d in senso generico, ma la popolazione operazionalizzata: criteri di inclusione ed esclusione che definiscono esattamente a chi si vuole estendere l\u2019inferenza. Una scelta che sembra ovvia finch\u00e9 non si deve difendere davanti a un comitato scientifico.<\/p>\n\n\n\n

2. Variabile di esito<\/h3>\n\n\n\n

Quale outcome, misurato come, in quale scala, in quale finestra temporale. \u201cRisposta clinica\u201d non \u00e8 una variabile di esito: \u00e8 un\u2019intenzione. La variabile va operazionalizzata fino al punto in cui non ammette interpretazioni alternative.<\/p>\n\n\n\n

3. Condizioni di trattamento<\/h3>\n\n\n\n

Il trattamento sperimentale e il comparatore con le condizioni reali di somministrazione. Questo attributo \u00e8 dove si decide se lo studio risponde a una domanda di efficacia in condizioni ideali o di effectiveness nel mondo reale. Due domande diverse, con implicazioni diverse per il disegno e per l\u2019analisi.<\/p>\n\n\n\n

4. Gestione degli intercurrent events<\/h3>\n\n\n\n

Gli intercurrent events<\/em> sono gli eventi che accadono dopo la randomizzazione e interferiscono con l\u2019outcome: interruzioni del trattamento, switch terapeutici, uso di terapia di salvataggio, decessi prima della misurazione primaria.<\/p>\n\n\n\n

ICH E9(R1) definisce cinque strategie per gestirli: treatment policy<\/em> (l\u2019evento viene ignorato, si analizza il trattamento assegnato), hypothetical<\/em> (si stima cosa sarebbe accaduto senza l\u2019evento), composite<\/em> (l\u2019evento entra nell\u2019esito), while on treatment<\/em> (si considera solo il periodo di trattamento attivo), principal stratum<\/em> (l\u2019analisi \u00e8 ristretta a un sottogruppo definito dalla probabilit\u00e0 dell\u2019evento).<\/p>\n\n\n\n

La scelta non \u00e8 un dettaglio operativo. Cambia la domanda. E domande diverse producono stime diverse: tutte potenzialmente corrette, ma non intercambiabili.<\/p>\n\n\n\n

5. Misura di sintesi<\/h3>\n\n\n\n

Come si sintetizza la comparazione tra gruppi? Abbiamo a disposizione differenza di medie, hazard ratio, odds ratio, differenza di proporzioni. Anche questa scelta va dichiarata nell\u2019estimand, prima di aprire il software.<\/p>\n\n\n\n

Tre cose che cambiano nel SAP<\/h2>\n\n\n\n