Un risultato con p-value < 0,05 può sembrare una conclusione. In realtà, spesso è solo l’inizio della lettura.
Nei comunicati sui farmaci, negli abstract degli studi e nelle notizie di salute ricorre questa formula: “la differenza è statisticamente significativa”. È una frase importante, ma può essere fuorviante se resta da sola. Può far pensare che un trattamento funzioni, che il beneficio sia grande e che valga la pena usarlo. Il p-value, però, non dice tutto questo.
Per capire se un nuovo farmaco è davvero utile, bisogna distinguere tra significatività statistica e rilevanza clinica. La prima riguarda i dati. La seconda riguarda le persone.
Il ponte che non arriva alla riva
Immaginiamo un ponte costruito con grande precisione. È robusto, ben progettato e controllato centimetro per centimetro. Rappresenta la significatività statistica.
Il ponte però si ferma poco prima della riva.
Dall’altra parte ci sono le cose che interessano davvero a chi vive con una malattia: meno dolore, più autonomia, meno ricoveri, più giorni in buona salute, più tempo con la propria vita quotidiana.
Un p-value basso può dirci che nei dati c’è un segnale. Non garantisce che quel segnale raggiunga la riva, cioè che produca un beneficio importante nella pratica clinica.
P-value: cosa dice davvero?
Il p-value viene usato per valutare quanto i dati osservati siano compatibili con una specifica ipotesi, l’ipotesi nulla. L’ipotesi nulla assume che tra trattamento e controllo non ci sia differenza.
Se il p-value è basso, per esempio p=0,001, significa che, assumendo vera l’ipotesi di nessuna differenza e rispettate le ipotesi del test statistico, osservare dati come quelli dello studio, o ancora più estremi, sarebbe poco frequente.
Questo non significa che ci sia lo 0,1% di probabilità che il risultato sia “dovuto al caso”. E non significa neppure che ci sia il 99,9% di probabilità che il farmaco funzioni.
L’American Statistical Association ricorda che il p-value non misura la probabilità che un’ipotesi sia vera, né la grandezza o l’importanza di un effetto. Per interpretare un risultato servono il disegno dello studio, la qualità dei dati, la dimensione dell’effetto e il contesto clinico.
La soglia p<0,05 è una convenzione molto usata. Non è una linea magica che separa automaticamente risultati utili da risultati inutili.
Quando il numero è certo, ma il beneficio è piccolo
Pensiamo a uno studio molto ampio su un nuovo trattamento per l’ipertensione. Il farmaco riduce la pressione sistolica di 1 mmHg in più rispetto al controllo.
Se lo studio coinvolge molte migliaia di persone, quella piccola differenza potrebbe risultare statisticamente significativa, anche con un p-value molto basso.
Il dato non va ignorato. Ma va interpretato.
Un millimetro di mercurio è un cambiamento rilevante per il paziente? Riduce infarti, ictus o ricoveri? Giustifica possibili effetti indesiderati, costi o una terapia aggiuntiva?
Queste domande non trovano risposta nel p-value.
Per questo è utile guardare sempre la dimensione dell’effetto. Non basta sapere che due gruppi sono diversi. Bisogna capire di quanto sono diversi e se quella distanza ha un peso nella vita reale.
Può accadere anche il contrario
Uno studio piccolo può osservare un miglioramento importante e non raggiungere la soglia p<0,05.
Immaginiamo un trial sulla qualità di vita. Il trattamento sperimentale mostra un miglioramento di dieci o quindici punti su una scala validata. È possibile che quel cambiamento sia rilevante per i pazienti. Ma, se il campione è ridotto o i dati sono molto variabili, lo studio potrebbe non avere abbastanza potenza statistica per stimare l’effetto con precisione.
Il risultato verrebbe spesso definito “non statisticamente significativo”.
Questa formula non dimostra che il trattamento sia inefficace. Dice che lo studio non ha fornito evidenza statistica sufficiente per escludere l’ipotesi di assenza di effetto secondo la soglia scelta. L’intervallo di confidenza può includere sia un effetto nullo sia un beneficio clinicamente importante.
In casi come questo, servono studi ulteriori e più informativi. Non conclusioni affrettate.
Che cosa rende un effetto clinicamente importante
La rilevanza clinica riguarda il significato concreto di un risultato.
Un farmaco può essere clinicamente utile se riduce sintomi che limitano la vita quotidiana, migliora la capacità di svolgere attività comuni, evita ricoveri, allunga la sopravvivenza o riduce un danno importante.
In alcuni ambiti si usa il concetto di minimal clinically important difference, spesso abbreviato in MCID. È la minima differenza che può essere percepita come importante dal paziente o dal clinico, in uno specifico contesto.
Non esiste però una MCID valida per tutto. Dipende dalla malattia, dall’endpoint, dalla durata dello studio, dalle caratteristiche delle persone coinvolte e dalle alternative disponibili.
Per questo le autorità regolatorie chiedono che gli outcome usati nei trial siano collegati a ciò che conta per i pazienti. La FDA parla di esiti che riflettono come una persona si sente, funziona o sopravvive e sottolinea l’importanza di strumenti adatti allo scopo.
P-value e come interpretare un trial clinico
Quando si legge un risultato, il p-value è solo una delle informazioni da cercare. Le altre sono almeno altrettanto importanti.
- La prima è la dimensione dell’effetto: quanti punti, quanti giorni, quanti ricoveri o quale differenza di rischio separa i due gruppi?
- La seconda è l’intervallo di confidenza. Aiuta a capire quanto è precisa la stima. Un intervallo stretto indica maggiore precisione. Un intervallo ampio suggerisce che l’effetto reale potrebbe essere molto diverso da quello osservato.
- La terza è l’endpoint. Misura un esito importante per il paziente oppure un indicatore intermedio? Un cambiamento in un biomarcatore può essere utile, ma non equivale sempre a un miglioramento dei sintomi, della funzione o della sopravvivenza.
- La quarta è il bilancio beneficio-rischio. Anche un beneficio reale può non essere sufficiente se gli effetti indesiderati sono rilevanti, se esistono alternative migliori o se il vantaggio è troppo modesto nel contesto terapeutico.
Le linee guida ICH invitano a definire con chiarezza la domanda clinica a cui lo studio vuole rispondere e a collegare obiettivo, disegno, analisi e interpretazione. Questo riduce il rischio di dare a un numero un significato che non può sostenere.
La responsabilità di chi comunica la scienza
Nel medical writing, in Medical Affairs e nella comunicazione scientifica, la precisione non consiste solo nel riportare un p-value corretto.
Consiste nel metterlo nella giusta prospettiva.
Scrivere “il farmaco ha funzionato” è quasi sempre troppo poco. Una comunicazione rigorosa spiega quale esito è migliorato, di quanto è migliorato, con quale incertezza e quale significato può avere per le persone.
La significatività statistica e clinica non sono rivali. Servono entrambe.
La statistica aiuta a capire se il segnale osservato merita fiducia. La clinica aiuta a capire se quel segnale ha un valore per chi riceve la cura.
Quindi, davanti a una “differenza statisticamente significativa”, vale la pena chiedersi: era significativa anche per chi quel farmaco lo ha preso?
Fonti:
- International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use. (2019, November 20). ICH E9(R1): Addendum on estimands and sensitivity analysis in clinical trials to the guideline on statistical principles for clinical trials. https://database.ich.org/sites/default/files/E9-R1_Step4_Guideline_2019_1203.pdf
- U.S. Food and Drug Administration. (2025, October). Patient-focused drug development: Selecting, developing, or modifying fit-for-purpose clinical outcome assessments: Guidance for industry, FDA staff, and other stakeholders. https://www.fda.gov/regulatory-information/search-fda-guidance-documents/patient-focused-drug-development-selecting-developing-or-modifying-fit-purpose-clinical-outcome
- Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
Crediti immagini
- Figura 1- Farmacoscienza. (2026). Immagine generata con intelligenza artificiale su direzione creativa di Farmacoscienza.
