Zapobieganie i leczenie brakujących danych w badaniach klinicznych czesc 4

Przydatna taksonomia5,19 rozróżnia metody, które zakładają jeden z trzech scenariuszy. W pierwszym scenariuszu dane są zupełnie przypadkowe, co oznacza, że brakujące dane nie są powiązane ze zmiennymi badania. W szczególności pełne przypadki są reprezentatywne dla wszystkich pierwotnych przypadków jako losowe. W drugim scenariuszu dane nie są pobierane losowo, co oznacza, że zarejestrowane charakterystyki mogą uwzględniać różnice w rozkładzie brakujących zmiennych dla obserwowanych i brakujących przypadków. W trzecim scenariuszu dane nie są przypadkowe, co oznacza, że zarejestrowane charakterystyki nie uwzględniają różnic w rozkładzie brakujących zmiennych dla obserwowanych i brakujących przypadków. Na przykład w wyimaginowanym badaniu klinicznym niektórzy uczestnicy mieli polepszoną lub pogarszającą się kondycję, a niektórzy mieli skutki toksyczne i odpadli, zanim można było zarejestrować ostateczny wynik. Założenie, że dane są całkowicie przypadkowe, zakłada, że wyniki dla tych, którzy odpadną, powinny być podobne do wyników dla uczestników, którzy nie odpadli, więc dane z przerwania można zignorować bez uprzedzeń. Mniej rygorystyczne założenie, że dane nie są losowe, oznacza, że wyniki dla uczestników, którzy odeszli, powinny być podobne do wyników dla uczestników, którzy nie wypadli z podobnymi cechami wyjściowymi i podobnymi środkami pośrednimi do tego czasu, więc brakujące wyniki mogą być wzorowane na podstawie wyników podobnych uczestników, którzy nie odpadli. Jedynie założenie, że dane nie są przypadkowe, pozwala przypuszczać, że zdarzenia, które nie zostały zaobserwowane (np. Ciężka toksyczność lub progresja choroby od ostatniej wizyty) mogły mieć wpływ na decyzję o rezygnacji, a zatem wyniki różnią się od tych podobnych uczestników, którzy nie odpadli. Modele oparte na założeniu, że dane nie zostaną pominięte losowo, muszą przyjąć dalsze założenia dotyczące wpływu takich możliwości.
Te założenia dotyczące mechanizmów brakujących danych mają wpływ na trafność różnych metod. Nie zalecamy stosowania podejścia do analizy kompletnych przypadków do brakujących danych, ponieważ wymaga nierealistycznego założenia, że dane są zupełnie przypadkowe. Ta metoda nie wykorzystuje częściowych informacji w niekompletnych przypadkach, które mogłyby poprawić oszacowania przy prawidłowym postępowaniu.
Proste metody imputacji, takie jak ostatnia obserwacja i obserwacja podstawowa, są powszechnie stosowane, częściowo dlatego, że są proste i łatwe do zrozumienia, ale są nadużywane. Nie zalecamy ich, ponieważ ich ważność opiera się na założeniach, które często są nierealistyczne. Na przykład metoda ostatnia obserwacja przeniesiona do przodu zakłada założenie, że wyniki uczestników nie ulegną zmianie po ich odrzuceniu, co prowadzi do stronniczych efektów leczenia, gdy to założenie nie jest uzasadnione.10 Metody te, podobnie jak wiele innych metod, które przypisać pojedynczą wartość brakującym danym, nie propagują niepewności imputacji, a tym samym dają niewłaściwie niskie oszacowania błędów standardowych i wartości P
[hasła pokrewne: nfz gdańsk sanatoria lista oczekujących, ile kosztuje wazektomia, ile kalorii ma kalarepa ]

Powiązane tematy z artykułem: ile kalorii ma kalarepa ile kosztuje wazektomia nfz gdańsk sanatoria lista oczekujących