Qual è il farmaco migliore?

Quando esistono più alternative è necessario scegliere la terapia con maggiori probabilità di successo, ma creare una graduatoria dell’efficacia dei farmaci è un’ardua impresa.

Essere in grado di dire quale farmaco funzionerà meglio è sicuramente desiderabile quando si tratta di scegliere la terapia da somministrare a un paziente. Creare delle gerarchie tra le diverse opzioni è però tutt’altro che facile. Secondo uno studio i cui risultati sono stati pubblicati sulla rivista Nature Communications, per classificare i farmaci sulla base dell’efficacia si potrebbe sfruttare l’intelligenza artificiale.

Volendo basare la decisione clinica su solide prove scientifiche, a oggi esiste un solo modo validato per essere certi che il farmaco A è più efficace del farmaco B: metterli direttamente a confronto in uno studio clinico randomizzato. Un gruppo (una popolazione) di pazienti viene diviso in due sottogruppi omogenei (per esempio per età, sesso e gravità della malattia) e poi ciascun sottogruppo viene assegnato in modo casuale (in inglese, at random) a uno dei farmaci che si vogliono confrontare. Poiché tutte le condizioni sono standardizzate e uguali nei due gruppi, è possibile osservare in quale sottogruppo si sono ottenuti i risultati migliori e quindi stabilire se uno dei due farmaci si è dimostrato essere significativamente più efficace dell’altro. Ciò sarà  presumibilmente vero anche per altri pazienti con caratteristiche simili a quelle della popolazione studiata, mentre se le caratteristiche sono differenti, per esempio se cambia la fascia di età, si torna nella situazione in cui non si può dire se A sia migliore di B o viceversa. 

Gli studi clinici sono impegnativi, lunghi e costosi e non sempre c’è l’interesse a confrontare il farmaco A e il farmaco B. Non solo, se all’orizzonte spunta un terzo farmaco, C, fintanto che non viene messo a confronto diretto con A o con B non è possibile fare nessuna affermazione riguardo al fatto che C sia migliore o peggiore degli altri. Tanto più numerose sono le alternative terapeutiche disponibili, tanto più complicato diventa fare studi che stabiliscano l’efficacia relativa di ciascuna di esse.

I ricercatori stanno cercando di ideare strumenti analitici che aiutino a fare chiarezza su quale farmaco possa essere preferibile per curare una certa malattia in un certo gruppo di pazienti. Uno di questi è un approccio statistico chiamato metanalisi a rete. Una metanalisi è un’analisi che combina i dati di più ricerche sullo stesso argomento per trarre delle conclusioni quando gli studi esistenti sono stati effettuati su pochi pazienti o con risultati che non vanno chiaramente in una direzione. Una metanalisi tradizionale consente di confrontare due sole opzioni alla volta, mentre la metanalisi a rete permette confronti multipli.

Il risultato della metanalisi a rete viene espresso come probabilità che un farmaco ottenga risultati migliori degli altri; questo numero viene calcolato per ognuno dei farmaci presi in considerazione e si crea una graduatoria. In una metanalisi a rete, se B è meglio di C e A è meglio di B, allora A è meglio di C, anche se queste due opzioni non sono mai state confrontate direttamente. Bisogna però rimarcare che si sta parlando di probabilità statistica, e che la classifica ha un valore indicativo. Le conclusioni della metanalisi possono infatti essere influenzate dal fatto che non tutte le prove considerate hanno lo stesso peso, per esempio perché alcuni studi sono molto piccoli o perché esistono più confronti diretti tra alcuni farmaci che non tra altri. Inoltre, può bastare l’introduzione di un solo studio a modificare drasticamente la graduatoria.

Uno studio i cui risultati sono appena stati pubblicati da un gruppo di ricerca della Queen Mary University di Londra riguarda proprio l’oncologia e fa da apripista a un nuovo approccio basato sull’intelligenza artificiale. I ricercatori britannici hanno infatti sviluppato un algoritmo che classifica i farmaci a seconda della loro efficacia nel ridurre la crescita delle cellule cancerose.

In questo caso, per mettere a punto lo strumento chiamato DRUML (Drug Ranking Using Machine Learning), si è partiti da alcuni database in cui erano raccolte informazioni sulle proteine espresse dalle cellule tumorali e sulle risposte di queste cellule a oltre 400 farmaci antitumorali. Questi dati sono stati usati per “istruire” il computer che ha generato un modello capace di predire l’efficacia relativa dei farmaci per un certo tipo di tumore. La performance dell’algoritmo è stata poi verificata usando dati forniti da altri 12 laboratori.

“Questo approccio potrebbe far progredire la medicina di precisione, permettendo agli oncologi di selezionare i farmaci migliori per trattare ogni singolo paziente” sottolineano autori della ricerca. “Da notare che, man mano che diventano disponibili nuovi farmaci, DRUML può essere riaddestrato per includere tutti i farmaci antitumorali clinicamente rilevanti.” Partendo da informazioni diverse si potrebbero quindi sviluppare algoritmi di questo tipo per creare liste ordinate di farmaci destinati alla cura di ulteriori malattie.