Meglio sensibili o specifici?

Per anni mi sono fatto questa domanda riguardo al lavoro che stavo facendo. È meglio che il metodo di indagine che sto adottando per verificare un’ipotesi includa il maggior numero di risultati possibili, con il rischio di individuare anche soluzioni errate? Oppure è preferibile focalizzarsi su un obiettivo più mirato, ma che potrebbe escludere una serie di alternative? Ovvero, è meglio essere sensibili o specifici?

Sembra una domanda banale, ma all’atto pratico non lo è per niente.

Iniziamo con le definizioni, noiose ma utili. La sensibilità di un test misura la proporzione di risultati positivi correttamente assegnati (test positivo = soggetto malato); al contrario, la specificità di un test misura la proporzione di risultati negativi correttamente assegnati (test negativo = soggetto sano). Di conseguenza, test troppo sensibili saranno più proni a dare risultati falsamente positivi e test troppo specifici saranno più inclini a dare risultati falsamente negativi.

Ora facciamo un esempio: dovete sviluppare un test rapido per lo screening dei pazienti con HIV. Lo volete più sensibile o più specifico? La risposta corretta è certamente la prima: preferite che qualcuno a cui viene somministrato il test risulti positivo anche se non lo è (falso positivo). Certo, il poveraccio passerà due settimane d’inferno, ma verrà fatta nel frattempo un’indagine più approfondita (più specifica) che escluderà l’infezione. Al contrario, un test che restituisca più falsi negativi direbbe a un positivo che va tutto bene, e quella persona sarebbe convinta di non avere l’infezione, non riceverebbe cure immediate che potrebbero modificare il corso della patologia, e sarebbe libera di infettare altri.

È un esempio estremo, ma rende l’idea di come la scelta dei metodi che decidiamo di adottare per monitorare un determinato fenomeno influenzi il risultato che vogliamo ottenere.

La verità è che ogni volta che dobbiamo prendere delle decisioni basate su dati, inevitabilmente introduciamo dei bias.

Tutti ricorderete la storia della Principessa sul pisello. Il Re in cerca di sposa era molto rigoroso sui criteri per la scelta della sua futura moglie, e nella sua ricerca della perfezione era disposto a rifiutare alcune vere principesse piuttosto che correre il rischio di sceglierne una falsa. Aveva insomma un bias di specificità. Sua sorella la Regina, stanca di vedere il fratello triste per la futilità della sua ricerca e decisa a correre il rischio di accettare una falsa principessa come cognata pur di trovargli una sposa, inventò il trucco del pisello sotto ai venti materassi. Lei aveva un bias di sensibilità.

Entrambi erano prevenuti, ma fra i due la Regina aveva capito un aspetto importante, che è anche il punto della nostra questione: non aveva confuso lo screening con la diagnosi.

Nello screening, si dovrà fare un’identificazione di qualcosa che ancora non è riconosciuto, filtrandolo da una varietà di osservazioni apparentemente tutte uguali. Per essere efficaci sarà necessario avere un meccanismo di “call and recall” che permetta di “invitare” e seguire le risorse identificate (dati, pazienti, clienti) e che garantisca un’inclusione alta (almeno il 70%) del nostro target.

Una volta individuati i sospetti, potremo confermare le nostre ipotesi andando a stressare quello che è emerso dalla nostra scrematura.

La diagnosi è più costosa e più rischiosa, e vogliamo tenercela come risorsa da utilizzare una volta che siamo già orientati. La sua utilità dovrà sempre controbilanciare i rischi, oppure sarà inutile sostenerne i costi.

Insomma, siate prima sensibili. Avete sicuramente da guadagnarci.

Carlo Barbera