临床试验开展中常常遇到结果数据缺失的问题,例如由于患者退出试验或者失访,若处理不当,将引起研究结果的偏倚。目前,对于处理缺失数据的统计学方法已相当成熟,然而在实际应用中,对于其相关假设的敏感性分析则依旧匮乏。
2021年6月2日,欧洲杯竞猜平台临床研究中心邀请附属仁济医院临床研究中心统计师潘舒婷做客“聚菁荟萃”临床研究精品论坛,请她讲述临床试验中缺失值处理的敏感性分析。
潘舒婷统计师首先介绍了完全随机缺失(MACR)、随机缺失(MAR)、非随机缺失(MNAR)这三种类型的数据缺失机制。鉴于缺失数据的假设不可验证,对于缺失数据需要做敏感性分析,而现有敏感性分析并不普遍,尤其是缺乏对于分析方法的具体表述。通过引入De jure和De facto估计目标,将Rubin的数据缺失机制分类与estimand估计目标定义相融合,建立多重插补法(Multiple Imputation)。
通过潘舒婷统计师的讲解,对于临床试验中缺失值处理的敏感性分析可以通过多重插补法,在MAR假设下,使用与缺失值相关的数据确定一个插补模型,并创建多个数据集,在这些数据集上应用实质性分析模型,再使用Rubin’s rules将从每个数据集得到的结果进行整合,令人获益匪浅。
(文:顾雯韵;图:顾雯韵)