Sviluppo di bracci di controllo esterni con dati sintetici

In sintesi

• Nelle sperimentazioni cliniche, reclutare un gruppo di controllo tradizionale può essere lento, costoso o eticamente problematico, soprattutto nelle malattie rare e nelle popolazioni difficili da raggiungere.
• Historical, External e Synthetic Control Arms sono tre approcci distinti per costruire un comparatore senza un secondo braccio randomizzato reale; i Synthetic Control Arms sono quelli che si basano su modelli statistici e di intelligenza artificiale.
• La capacità di generare pazienti sintetici non basta a garantire un buon braccio di controllo: contano la qualità e la pertinenza dei dati di partenza, la comparabilità delle popolazioni, la gestione dei bias, la rappresentazione degli eventi rari e la validazione clinico-statistica.
• Un SCA affidabile richiede dati rappresentativi, metodologia trasparente, controllo dei bias, validazione rispetto agli endpoint clinici, robustezza statistica, tutela della privacy, governance e coerenza regolatoria.
• External e synthetic control arm possono rendere alcuni studi più efficienti, inclusivi ed eticamente sostenibili, ma non sostituiscono automaticamente i controlli tradizionali: il loro valore dipende dal rigore con cui vengono progettati, costruiti e validati.
• Aindo supporta aziende farmaceutiche, CRO e gruppi di ricerca nella costruzione e validazione di bracci di controllo sintetici, con un’infrastruttura certificata che non espone mai dati personali.

Quando il gruppo di controllo diventa un argomento sensibile

Immaginate di costruire un aereo commerciale di nuova generazione. Per verificare come si comporta durante una violenta tempesta in quota, non costruireste un secondo aereo identico riempiendolo di passeggeri veri per lanciarlo deliberatamente in un uragano e vedere come si comporta. Usereste, invece, un simulatore di volo all’avanguardia, alimentato con dati meteorologici e fisici reali molto accurati. I Synthetic Control Arms sono i simulatori di volo per le sperimentazioni cliniche.

In molte sperimentazioni cliniche, assegnare pazienti reali a un gruppo di controllo con placebo o con lo standard of care non è solo una scelta metodologica: è anche una scelta che ha un costo umano, economico e temporale. Nelle malattie rare e a rapida progressione, o nelle popolazioni pediatriche e geograficamente disperse, reclutare un numero sufficiente di pazienti per un braccio di controllo tradizionale può risultare lento, costoso e, in alcuni casi, eticamente difficile da giustificare, soprattutto quando esiste già una terapia sperimentale promettente.

Questi vincoli spingono da tempo ricercatori e sponsor a chiedersi se sia sempre necessario costruire un secondo braccio comparativo interamente da zero, oppure se si possano sfruttare dati già esistenti, provenienti da studi precedenti o dalla pratica clinica reale, per costruire un comparatore altrettanto solido. È da questa domanda che nascono gli approcci di controllo esterno, tra cui i bracci di controllo sintetici.

Historical, External e Synthetic Control Arms: quali sono le differenze

Quando si parla di alternative al gruppo di controllo randomizzato, è utile distinguere tra alcune famiglie di approcci, spesso usate in modo intercambiabile ma concettualmente diverse.

Gli Historical Control Arms utilizzano dati di pazienti trattati in passato, tipicamente provenienti da sperimentazioni cliniche precedenti condotte sulla stessa patologia. Gli External Control Arms allargano la prospettiva includendo anche altre fonti osservazionali esterne allo studio in corso, come cartelle cliniche elettroniche, registri di malattia o dati del mondo reale (real-world data, RWD). In entrambi i casi si tratta di coorti realmente osservate, semplicemente non randomizzate insieme al braccio sperimentale.

I Synthetic Control Arms (SCA) sono lo step successivo: anziché limitarsi a riutilizzare coorti osservate così come sono, impiegano modelli statistici e di intelligenza artificiale per costruire comparatori sintetici a partire da questi stessi dati clinici reali. Non tutti i metodi di generazione sono necessariamente basati sull’IA in senso stretto, ma è l’apprendimento automatico a rendere possibile, oggi, generare coorti virtuali di dimensioni e qualità sufficienti anche a partire da campioni di partenza limitati.

Se costruito con rigore, un braccio di controllo sintetico può in alcuni casi permettere di trasformare un disegno comparativo tradizionale in uno studio a braccio singolo, in cui tutti i partecipanti reali ricevono la terapia sperimentale attiva. Si tratta però di un’opzione la cui percorribilità è subordinata alla qualità dei dati disponibili, alla comparabilità delle popolazioni, al disegno dello studio e all’accettabilità regolatoria, e va quindi valutata caso per caso, non assunta come default.

L’AI è una parte della soluzione

È qui che si gioca il punto centrale: la semplice capacità tecnica di generare pazienti sintetici non garantisce, di per sé, la qualità di un braccio di controllo. L’affidabilità e l’utilizzabilità di un SCA dipendono dalla qualità e dalla pertinenza dei dati di partenza, dalla comparabilità delle popolazioni reali e sintetiche, dalla gestione dei bias, dalla capacità di rappresentare correttamente gli eventi rari e dalla validazione clinica e statistica dei risultati.

Le architetture in breve. Esistono diverse architetture di machine e deep learning capaci di generare dati sintetici tutelando la privacy dei pazienti reali: tra le più usate in questo contesto, le Conditional Tabular GAN (CTGAN), i Conditional Variational Autoencoder (CVAE), PrivBayes (basato su reti bayesiane) e le Private Aggregation of Teacher Ensembles GAN (PATE-GAN). Differiscono per capacità di gestire dati clinici complessi, diversità dei record generati, efficienza computazionale e protezione delle informazioni originarie. Nessuna è universalmente superiore alle altre: la scelta dipende dalla natura dei dati, dalle caratteristiche della popolazione di interesse e dagli obiettivi specifici dello studio.

Conoscere queste differenze è utile, ma la scelta dell’algoritmo resta una componente del processo, non il suo fulcro. Il vero valore di un braccio di controllo sintetico non risiede nel modello generativo in sé, quanto nella capacità di trasformare i dati disponibili in un comparatore credibile, rappresentativo e adeguato allo specifico studio. La letteratura mostra che, in specifici contesti e quando questo lavoro viene condotto con rigore, le coorti sintetiche possono riprodurre con ottima accuratezza curve di sopravvivenza e altri esiti clinici osservati nelle popolazioni di controllo reali.

Restano tuttavia due sfide tecniche di fondo. La prima riguarda gli eventi rari: i modelli generativi sono matematicamente incentivati a catturare i percorsi più comuni per minimizzare l’errore di addestramento, per cui un evento avverso raro e potenzialmente letale rischia di essere trascurato, producendo una coorte virtuale apparentemente sana ma priva degli outlier necessari a un rigoroso benchmarking di sicurezza. La seconda riguarda i bias: se i dataset storici usati per l’addestramento sotto-rappresentano popolazioni specifiche, per esempio le donne o alcuni gruppi etnici, il modello generativo amplifica matematicamente quelle stesse lacune. Circa il 78% dei partecipanti ai database genomici globali è di origine europea, e modelli addestrati su questi dati possono calcolare in modo sistematicamente errato i tassi di metabolismo genetico dei farmaci per popolazioni di ascendenza est-asiatica o africana; allo stesso modo, poiché le donne possono presentare un’attività enzimatica epatica significativamente diversa rispetto agli uomini e sono storicamente sottorappresentate nelle sperimentazioni cliniche, modelli addestrati su dati legacy rischiano di generare dati non rappresentativi della reale popolazione.

Non esiste, quindi, un modello valido per ogni braccio di controllo sintetico: ogni sperimentazione è un caso a sé, che richiede la selezione del modello giusto e la verifica proattiva di insidie nascoste, come il confondimento temporale legato all’evoluzione degli standard di cura o gli squilibri demografici sistemici.

I requisiti di un SCA affidabile

Le criticità appena descritte si traducono in una serie di requisiti concreti che un braccio di controllo sintetico deve soddisfare per essere considerato affidabile. Occorrono dati pertinenti e rappresentativi della popolazione di interesse; una metodologia trasparente e documentabile, che permetta di ricostruire le scelte fatte in fase di generazione; un controllo attivo dei bias demografici e clinici; una validazione rigorosa rispetto agli endpoint clinici rilevanti per lo studio; robustezza statistica, anche sulle code della distribuzione; tutela della privacy dei pazienti reali su cui il modello è stato addestrato; una governance chiara del processo; e coerenza con il contesto regolatorio in cui lo studio si inserisce.

Questi elementi non vanno intesi come una checklist astratta, ma come criteri concreti che consentono di passare da un esercizio tecnico di generazione di dati a un comparatore realmente utilizzabile in una sperimentazione clinica, anche ai fini di una sottomissione regolatoria.

In questa direzione si muove anche il quadro di riferimento dell’EMA sui Real-World Data (RWD) di marzo 2026 (EMA/503781/2024), che definisce aspettative più chiare in materia di qualità, tracciabilità e utilizzabilità regolatoria delle evidenze basate su dati reali, incluse quelle impiegate per costruire comparatori esterni e sintetici. Allinearsi per tempo a questi criteri è oggi parte integrante della costruzione di un SCA affidabile.

Come Aindo può supportare con i suoi servizi

Aindo supporta aziende farmaceutiche, CRO e gruppi di ricerca nella costruzione e validazione di bracci di controllo sintetici a partire da dati provenienti da studi clinici precedenti, registri e fonti real-world. Questa esperienza si traduce anche nella partecipazione a progetti applicativi, tra cui un’iniziativa dedicata alla malattia di Kawasaki sviluppata in dialogo con AIFA e iniziative multisito europee finalizzate a validare l’impiego dei dati sintetici in contesti clinici e regolatori condivisi.

Il lavoro non consiste semplicemente nel generare pazienti virtuali. Per costruire un comparatore credibile, Aindo prepara e integra i dati disponibili, ne verifica la qualità, gestisce eventuali informazioni mancanti e, quando necessario, applica tecniche di riequilibrio per ridurre la sottorappresentazione di specifici gruppi di pazienti. L’obiettivo è ottenere una popolazione di controllo sufficientemente rappresentativa e comparabile a quella che riceve il trattamento sperimentale.

Aindo seleziona quindi la metodologia più adeguata allo specifico studio, considerando la popolazione coinvolta, gli endpoint clinici, la disponibilità dei dati e il livello di protezione richiesto. La validazione verifica non solo che i dati sintetici riproducano le principali caratteristiche statistiche dei dati reali, ma anche che conservino le informazioni cliniche rilevanti per le analisi previste e siano adeguati allo specifico utilizzo.

La protezione dei dati è integrata all’interno del processo di generazione. I modelli di Aindo apprendono le caratteristiche statistiche e le relazioni rilevanti presenti nei dati di partenza per generare nuovi record sintetici, senza creare copie dei singoli pazienti reali. Specifici test di privacy permettono, inoltre, di valutare il rischio che le informazioni originarie possano essere ricostruite o associate agli interessati. Questo approccio consente di sviluppare bracci sintetici in conformità con i requisiti applicabili in materia di protezione dei dati e può facilitare la collaborazione tra organizzazioni, riducendo la necessità di condividere direttamente dati individuali.

Le attività di Aindo sono inserite in un sistema formalizzato di qualità, sicurezza e protezione dei dati, supportato dalle certificazioni Europrivacy (allineata all’articolo 42 del GDPR), ISO 9001 per la gestione della qualità e ISO 27001 per la sicurezza delle informazioni. Questo permette collaborazioni cliniche multisito in sicurezza, anche a livello internazionale, senza l’attrito legale del trasferimento di dati grezzi dei pazienti.

Inoltre, Aindo sostiene in modo specifico la costruzione di bracci di controllo per studi su popolazioni rare, poco servite o difficili da reclutare: quando le popolazioni di pazienti sono piccole, geograficamente disperse e molto eterogenee, un ampio gruppo di controllo randomizzato può semplicemente non essere praticabile, e un braccio sintetico costruito con rigore metodologico diventa un’alternativa concreta per rendere lo studio realizzabile. Fornendo comparatori sintetici credibili e generati con l’AI, Aindo consente agli sponsor di rafforzare le analisi di efficacia comparativa, ridurre l’esposizione dei pazienti al placebo e accelerare in sicurezza l’accesso a trattamenti trasformativi.

Verso sperimentazioni più efficienti

Gli external e i synthetic control arm possono contribuire a rendere alcuni studi clinici più efficienti, inclusivi ed eticamente sostenibili, in particolare quando reclutare un gruppo di controllo tradizionale è difficile, lento o problematico. Non sostituiscono però automaticamente i controlli tradizionali, e non vanno considerati una scorciatoia metodologica: il loro valore dipende interamente dal rigore con cui vengono progettati, costruiti e validati, dalla qualità dei dati di partenza alla trasparenza della metodologia, fino alla verifica puntuale di bias e casi rari.

Il vantaggio, quando i presupposti metodologici sono rispettati, è concreto e misurabile: un braccio di controllo sintetico può ridurre in modo sostanziale i tempi e i costi di reclutamento, evitando di dover arruolare e seguire un intero secondo gruppo di pazienti. Il beneficio non è quindi soltanto etico, ma anche economico e temporale: meno pazienti esposti al placebo, meno risorse immobilizzate e un percorso più rapido tra una terapia promettente e i pazienti che ne hanno bisogno.

Usati in questo modo, i bracci di controllo sintetici non sono un modo per aggirare gli standard scientifici e regolatori delle sperimentazioni cliniche, ma uno strumento in più per raggiungere risultati rapidamente, in modo più economico e più rispettoso dei pazienti coinvolti.