Tree-Based Scan Statistics e farmacovigilanza: strategie gerarchiche per l'interpretazione del rischio

Gli studi di farmacovigilanza si basano su segnalazioni spontanee in fase di post-marketing che, avendo solo i casi di eventi avversi sviluppati, sono esposte a sotto-segnalazione, fattori confondenti e bias di selezione. Per mitigarli si ricorre sempre più a disegni con gruppo comparatore (terapie equivalenti o non esposti con caratteristiche simili), così da quantificare differenze nell’insorgenza di eventi avversi. In questo contesto, le Tree-Based Scan Statistics (TBSS) sono un metodo di data mining che sfrutta una gerarchia clinica (MedDRA/ICD): il modello è adattato a livello di foglia e l’informazione si propaga lungo i rami fino alla radice, consentendo di testare associazioni a diversi livelli di specificità. La tesi contribuisce alla fase interpretativa dei risultati TBSS su dati di esposizione al Valproato, proponendo tre strategie gerarchiche: (i) una versione del riskplot che evidenzia sia i nodi sia i percorsi significativi; (ii) un riskscore che classifica il rischio per gruppi; (iii) una regola decisionale basata sul Conditional Local False Discovery Rate (CLfdr), con soglie differenziate che favoriscono la continuità dei segnali lungo l’albero. Le strategie coniugano chiarezza interpretativa e coerenza gerarchica, offrendo un quadro operativo per prioritizzare nodi e percorsi significativi nella valutazione del rischio.