La domanda che mi sono posto è la seguente: quali possono essere i campi filosofici (intesi come ontologici, epistemologici, etici, fenomenologici, ermeneutici) da esplorare riguardo lo sviluppo dei farmaci? Iniziamo da una mappa concettuale.
Ecco una panoramica sistematica dei cinque campi, con le domande filosofiche più ricche che ciascuno apre:
Ontologia — Che cosa esiste?
La questione fondamentale è cosa sia una malattia: un’entità biologica oggettiva (lesione, squilibrio biochimico) oppure un costrutto socialmente negoziato? O magari entrambe le cose? Il farmaco interagisce con un bersaglio molecolare “reale”, ma la patologia che si vuole correggere è spesso definita convenzionalmente (si pensi ai criteri DSM per i disturbi psichiatrici). Qui si inserisce anche il problema dell’identità del farmaco nel tempo: il principio attivo è “lo stesso” in formulazioni diverse, in corpi diversi, in culture diverse?
Epistemologia — Come possiamo sapere che un farmaco funziona?
Il Randomized Controlled Trial è considerato il gold standard, ma solleva interrogativi profondi: rappresenta davvero la causalità o solo la correlazione statistica? I criteri di esclusione dei trial (anziani, donne in gravidanza, pluripatologie) costruiscono una conoscenza universalizzabile o locale? Il dibattito tra evidence-based medicine e medicina narrativa tocca il cuore della questione: chi o cosa conta come “prova”? C’è poi il problema della riproducibilità e del publication bias come distorsioni epistemiche strutturali.
Etica — Chi decide, per chi e a quale costo?
Tre piani si intrecciano: la bioetica classica (autonomia, beneficenza, non-maleficenza, giustizia nei trial), la giustizia distributiva (perché certi farmaci esistono solo per mercati solvibili?) e l’etica istituzionale (il conflitto di interesse fra industria, regolatori e ricerca accademica). La questione del consenso informato è più sottile di quanto sembri: fino a che punto un soggetto “comprende” i rischi di una sperimentazione?
Fenomenologia — Come è vissuta la malattia dal di dentro?
Husserl, Merleau-Ponty e Heidegger offrono strumenti per pensare il Leib (corpo vissuto) contrapposto al Körper (corpo-oggetto della biomedicina). Il farmaco agisce sul corpo-oggetto, ma la persona vive nel corpo soggettivo: la riduzione del dolore misurata in scala numerica cattura l’esperienza? L’effetto placebo è proprio il luogo dove questa tensione è più evidente e filosoficamente più fertile.
Ermeneutica — Come interpretiamo i dati e le narrative?
Gadamer (Filosofia della medicina) sosteneva che la relazione terapeutica è sempre un atto interpretativo: il medico legge sintomi, il paziente racconta la sua esperienza, i dati di laboratorio vengono “tradotti” in significato clinico. In farmacologia, questo si manifesta nella scelta dei criteri di esito (endpoint surrogati vs outcomes centrati sul paziente), nell’interpretazione dei foglietti illustrativi e nel modo in cui le linee guida terapeutiche costruiscono autorità narrativa.
I cinque campi non sono separati: l’ontologia determina cosa si misura (epistemologia), chi è incluso (etica), di chi si ascolta l’esperienza (fenomenologia), e come si legge il risultato (ermeneutica).
L’epistemologia bayesiana, dal mio punto di vista, è forse il punto di convergenza più ricco, perché tocca tutti e cinque i domini contemporaneamente.
Il teorema di Bayes — P(H|E) ∝ P(E|H) · P(H) — non è solo uno strumento statistico: è una struttura filosofica che costringe a rendere esplicite le proprie assunzioni, a quantificare l’incertezza e ad aggiornarsi razionalmente. Applicato allo sviluppo farmaceutico, ogni passaggio del ciclo bayesiano intercetta i cinque campi in modo preciso e produttivo.
Il prior P(H) — dove entra l’ontologia.
Prima ancora di raccogliere dati, il ricercatore deve scegliere un prior: quanto è plausibile che questo farmaco funzioni? Questa scelta non è neutrale. Un prior diffuso (tutto è possibile) o informato (basato su meccanismo biologico, studi precedenti, analogie molecolari) incorpora già una visione ontologica di cosa sia la malattia e di come i meccanismi causali funzionino. La questione diventa: chi ha il diritto di fissare il prior? L’industria farmaceutica, le agenzie regolatorie, la comunità scientifica, i pazienti? Un prior scelto strategicamente, né troppo scettico né troppo ottimista, può determinare l’esito regolatorio di un farmaco indipendentemente dai dati. Questo è un problema di potere ontologico mascherato da statistica.
La likelihood P(E|H) — dove entra l’epistemologia.
La likelihood rappresenta la plausibilità dei dati osservati dato che l’ipotesi è vera. Qui si concentrano tutti i problemi epistemologici sollevati prima: quali endpoint misurare (surrogati biochimici o outcomes centrati sul paziente?), chi includere nel trial, quanto durare. La likelihood non è mai un dato puro: è già una costruzione teorica. L’approccio bayesiano ha il vantaggio di rendere visibile questo momento costruttivo, invece di nasconderlo dietro la neutralità apparente del p-value[1]. Tuttavia, apre una questione epistemica più profonda: se due ricercatori scelgono prior diversi e dati diversi, possono arrivare a posterior incompatibili pur operando entrambi “correttamente” (il che erode l’idea di un’unica verità farmacologica oggettiva)?
Il posterior P(H|E) — dove entrano ermeneutica e fenomenologia.
Il posterior è il risultato dell’aggiornamento: la nostra credenza nella sicurezza ed efficacia del farmaco dopo aver visto i dati. Ma il posterior non parla da solo: va interpretato. L’ermeneutica interviene qui con tutta la sua forza. Le linee guida regolative, i foglietti illustrativi, le decisioni di rimborso, tutto questo è un atto di lettura del posterior, effettuato da soggetti con interessi, formazioni culturali e orizzonti diversi. Un oncologo e un paziente terminale possono leggere la stessa distribuzione posterior e trarne conclusioni opposte su se valga la pena assumere un farmaco con il 40% di probabilità di beneficio e il 20% di effetti gravi.
La fenomenologia entra in modo ancora più radicale: i dati che alimentano la likelihood provengono spesso da misure oggettive (biomarcatori, scale standardizzate), ma il paziente vive una realtà soggettiva che questi strumenti misurano solo parzialmente. Un farmaco può spostare significativamente il posterior su un endpoint surrogato e lasciare quasi invariata l’esperienza vissuta del malato. Il bayesianismo, per quanto sofisticato, rischia di essere una fenomenologia truncata se non si interroga su cosa esattamente stia aggiornando.
L’etica trasversale.
L’etica non si è collocata in un solo passaggio del ciclo bayesiano: la attraversa tutta. Alcune tensioni specifiche che il framework bayesiano rende esplicite: il problema del “prior di comodo”. Aziende farmaceutiche che scelgono prior ottimistici per abbassare la soglia statistica necessaria all’approvazione. Questo è eticamente distinto dalla frode, ma epistemicamente non neutro.
L’aggiornamento sequenziale nei trial adattativi: il bayesianismo consente di fermare un trial prima del previsto se il posterior è già sufficientemente concentrato. Ma chi decide “quanto è abbastanza”? Fermare presto può salvare vite nei bracci di controllo, ma produce un posterior meno preciso — un classico trade-off tra etica procedurale e utilità.
La distribuzione del posterior nelle decisioni di accesso: un farmaco con un posterior di efficacia alto, ma molto incerto (alta varianza), è epistemicamente molto diverso da uno con la stessa media, ma bassa varianza. Le politiche di rimborso raramente fanno questa distinzione, che è invece fondamentale per un’etica della giustizia distributiva.
Il punto di convergenza più alto, e filosoficamente più originale, è questo: il bayesianismo obbliga a fare ciò che la filosofia ha sempre chiesto alla scienza, cioè esplicitare i propri presupposti. Il prior è la pre-comprensione gadameriana resa quantitativa. L’aggiornamento è il circolo ermeneutico formalizzato. E il posterior è sempre provvisorio, sempre aperto a nuovi dati: una struttura epistemica che assomiglia, non per caso, all’idea fallibilista della conoscenza scientifica di Peirce e Popper.
Vuoi approfondire uno di questi nessi — per esempio il prior come atto politico, oppure il bayesianismo adattivo e i suoi risvolti etici nei trial oncologici?
I trial adattivi bayesiani in oncologia sono forse il terreno dove la filosofia della statistica diventa concretamente questione di vita o morte, perché l’algoritmo che aggiorna le probabilità decide letteralmente chi riceve quale trattamento mentre il trial è ancora in corso.
I trial adattivi bayesiani (response-adaptive randomization, designs come BATTLE o I-SPY2) modificano in corsa la probabilità che un nuovo paziente venga assegnato a un braccio terapeutico, in base ai dati accumulati dai pazienti precedenti. È un’innovazione metodologica brillante, ma destabilizza alcune fondamenta etiche del trial classico randomizzato a probabilità fissa.
Il paradosso strutturale: equipoise[2] clinico contro potenza statistica.
Il trial randomizzato classico si fonda sul principio di equipoise — l’incertezza genuina sulla superiorità di un trattamento giustifica eticamente l’assegnazione casuale 50/50. Il design adattivo bayesiano rompe questo equilibrio deliberatamente: appena il posterior comincia a favorire un braccio, più pazienti vengono indirizzati lì. Dal punto di vista del singolo paziente arruolato più tardi, questo è eticamente superiore: riceve il trattamento che, sulla base dell’evidenza disponibile, ha probabilità più alta di funzionare. Tuttavia dal punto di vista epistemico collettivo, sbilanciare la randomizzazione riduce la potenza statistica per stabilire con certezza l’efficacia e introduce un bias temporale: i pazienti arruolati all’inizio (quando l’incertezza era massima) hanno contribuito proporzionalmente di più al rischio, mentre quelli arruolati alla fine beneficiano di un sapere che i primi hanno pagato a caro prezzo. È un problema di giustizia intergenerazionale interno al trial stesso.
Il consenso informato diventa un bersaglio mobile.
Nel consenso informato classico, il paziente sa (approssimativamente) che ha il 50% di possibilità di ricevere il trattamento sperimentale. In un design adattivo, quella probabilità cambia settimana dopo settimana e spesso il paziente non viene nemmeno informato del valore corrente. Si pone allora una domanda propriamente epistemologica oltre che etica: cosa significa “informato” quando l’informazione rilevante (la probabilità di assegnazione) è essa stessa generata dinamicamente da un algoritmo che il paziente non può comprendere in tempo reale? C’è chi sostiene che basti comunicare il principio del design adattivo; altri ritengono che senza accesso al posterior aggiornato il consenso sia solo formalmente valido, non sostanzialmente informato.
Lo stop anticipato e l’arbitrarietà della soglia.
I trial bayesiani spesso includono regole di stop anticipato: se il posterior raggiunge una soglia di certezza (es. probabilità > 95% che il trattamento sperimentale sia superiore), il trial si interrompe e il farmaco viene avviato verso l’approvazione. Questo salva pazienti futuri da un’esposizione inutile a trattamenti inferiori, ma la soglia stessa (perché 95% e non 90% o 99%?) è una scelta convenzionale che incorpora un giudizio di valore su quanto rischio collettivo si è disposti a tollerare. In oncologia, dove i pazienti del braccio di controllo spesso non hanno alternative valide, la pressione per soglie più permissive (stop prima) si scontra con il rischio di approvare farmaci sulla base di un posterior ancora statisticamente fragile, un trade-off che richiama direttamente la distinzione, discussa prima, tra media del posterior e sua varianza.
Il nodo filosofico più profondo.
Il design adattivo bayesiano realizza concretamente un ideale etico, ovvero trattare ogni paziente come fine e non come mezzo, evitando di “sacrificarlo” a un braccio di controllo quando l’evidenza già pende altrove, ma lo fa al prezzo di indebolire l’universalità della conoscenza prodotta. È quasi un’inversione dell’imperativo categorico kantiano applicato alla metodologia scientifica: ottimizzare per la persona di fronte a te genera sapere meno generalizzabile per le persone che verranno. La domanda che resta aperta e su cui la bioetica oncologica è tuttora divisa, è se questo trade-off vada accettato come prezzo inevitabile di una scienza più umana o se nasconda invece un’illusione, cioè l’idea che si possa essere eticamente generosi col presente senza pagare un costo epistemico sul futuro.
[1] Il p-value (o valore p) è la probabilità di ottenere un risultato uguale o più estremo di quello osservato nei propri dati, assumendo che l’ipotesi nulla (l’ipotesi di assenza di effetto o di casualità) sia vera.
[2] Il termine inglese equipoise (sostantivo, traducibile come “equilibrio” o “contrappeso”) indica uno stato di perfetto bilanciamento tra forze o interessi opposti. Il concetto è ampiamente utilizzato nel metodo scientifico e nell’etica medica.