Zapobieganie i leczenie brakujących danych w badaniach klinicznych ad 5

W związku z tym zalecamy, aby metody pojedynczego imputacji, takie jak przeniesiona ostatnia obserwacja i obserwacja bazowa nie były stosowane jako podstawowe podejście do leczenia brakujących danych , chyba że założenia leżące u podstaw takich metod są naukowo uzasadnione. 5 Preferowane metody i analizy wrażliwości
Ogólnie rzecz biorąc, panel faworyzował metody i metody równania oparte na estymacji, które są oparte na modelu statystycznym danych. W szczególności ważone estymatory i modele z wieloma imputacjami mają tę zaletę, że można je wykorzystać do włączenia informacji pomocniczych o brakujących danych do ostatecznej analizy, i dają one standardowe błędy i wartości P, które zawierają niepewność brakujących danych. Analizy przeprowadzane za pomocą takich metod często zakładają, że brakuje brakujących danych losowo, a takie założenie często ma sens w przypadku analizy pierwotnej. Jednak obserwowane dane nigdy nie mogą zweryfikować, czy to założenie jest prawidłowe. Dlatego, aby ocenić solidność, zalecane są analizy wrażliwości. Opowiadamy się za analizami wrażliwości łatwymi do interpretacji przez klinicystów. W raporcie uwzględniono przykłady takich analiz opartych na modelach mieszanin wzorców i modelach selekcji. Jedno podejście oparte na mieszance wzorcowej do porównywania dwóch metod leczenia zakłada, że uczestnicy, którzy wypadną, mają średni wynik, który odbiega od wyniku uczestników, którzy nie rezygnują z przesunięcia – które my określamy jako d (1) dla leczenia i d (2) dla leczenie 2 – a następnie bada wpływ na wyniki różnych wyborów offsetu w dwóch grupach badawczych. Jeżeli efekt leczenia jest utrzymywany jakościowo dla zakresu przesunięć uznawanych za klinicznie możliwe, wyniki są uważane za solidne. Rozszerzenia stosują przesunięcia do środków skorygowanych o dostępne współzmienne i modyfikują przesunięcia, aby były odpowiednie dla jakościowych wyników.
Sześć zasad dotyczących wyciągania rysunku
Poniższe sześć zasad dotyczących wyciągania wniosków z niekompletnych danych ma zastosowanie w wielu różnych ustawieniach.
Najpierw sprawdź, czy możliwe, czy wartości, których brakuje, mają znaczenie dla analizy, a tym samym spełniają definicję brakujących danych.
Po drugie, sformułuj odpowiednią i dobrze zdefiniowaną przyczynową pierwotną miarę efektu leczenia w odniesieniu do danych, które miały zostać zebrane. Ważne jest rozróżnienie tego, co jest szacowane na podstawie metody szacowania, która może różnić się w zależności od założeń.
Po trzecie, w miarę możliwości udokumentuj przyczyny braku danych. Na przykład, czy pacjent przeprowadził się, aby uzyskać lepszą pracę, czy też zrezygnował z badania z powodu poważnego działania niepożądanego. Znajomość przyczyn braku danych może pomóc w sformułowaniu rozsądnych założeń dotyczących brakujących obserwacji. Powiązanym pomysłem jest poszukiwanie i zbieranie zmiennych pomocniczych, które mogą być predykcyjne dla wyniku i odrzucenia, ponieważ metody analizy, takie jak wielokrotne imputacje i ważone równania szacunkowe, mogą wykorzystać te dane do zmniejszenia błędu z brakujących danych i poprawy dokładności szacunków.
Po czwarte, zdecyduj się na podstawowy zestaw założeń dotyczących mechanizmu brakujących danych
[podobne: prolab, rajeckie teplice baseny termalne, dentysta mokotow ]

Powiązane tematy z artykułem: dentysta mokotow prolab rajeckie teplice baseny termalne