Antipertensivi contro Covid-19: nel team gli statistici UniSR

È stato pubblicato su PNAS – Proceedings of the National Academy of Sciences, una delle più prestigiose riviste scientifiche mondiali, uno studio effettuato sui dati di 576 pazienti ricoverati all’Ente Ospedaliero Cantonale (EOC) tra il 1° marzo e il 1° maggio 2020, con un’età media di 72 anni.

Il lavoro, che ha riunito un gruppo multidisciplinare di clinici e ricercatori statistici dell’EOC, dell’Università della Svizzera Italiana e di UniSR, ha dimostrato, tramite analisi statistiche avanzate di integrazione dei dati demografici e clinici dei pazienti, che le comuni terapie anti-ipertensive con inibitori del sistema renina angiotensina – i cosiddetti farmaci “RAASi” – riducono di oltre il 60% il rischio di mortalità nei malati COVID-19 considerati a maggior rischio di decesso perché in età avanzata e/o con patologie renali e cardiovascolari.

Per la prima volta grazie ad un approccio statistico sofisticato, i ricercatori hanno derivato diversi profili di rischio per valutare l'effetto dei farmaci, analizzare le dipendenze tra i diversi fattori di rischio e l'impatto dei trattamenti sulla sopravvivenza. L’effetto dei RAASi osservato è verosimilmente da attribuire all’interazione tra il coronavirus e lo stesso sistema renina-angiotensina.

È noto infatti che il SARS-CoV-2 entra nelle cellule ospiti dopo essersi legato proprio all'enzima di conversione dell'angiotensina (ACE2) del quale “blocca” la funzione, causando un eccesso di angiotensina e un aumento dell’infiammazione nell’organismo, infiammazione che viene ridotta dai farmaci RAASi.

La Prof.ssa Clelia Di Serio, professore ordinario di Statistica Medica presso UniSR e presso l’Università Svizzera italiana afferma:

“La difficoltà principale nell’analizzare i dati di questa pandemia risiede nella natura della raccolta su base emergenziale, per cui si rendono necessarie tecniche statistico-computazionali in grado di bilanciare gruppi di rischio numericamente sbilanciati e di considerare gli effetti di confondimento.

Con le ricercatrici Federica Cugnata e Chiara Brombin, abbiamo applicato una combinazione di tecniche non parametriche e tipo machine learning che permettessero di derivare la complessa struttura di dipendenza tra trattamenti, comorbidità, fattori di rischio e risposta clinica. L’interazione tra tutti i ricercatori coinvolti ha permesso un’approfondita lettura dei modelli, basata su principi di riproducibilità, e ha confermato dei risultati generalizzabili: riteniamo il risultato sulla protezione dei RAASi molto solido.”