Missing data are unavoidable in longitudinal studies and can lead toserious problems, such as loss
of power and biased estimates, which should be solved in the statistical analysis of clinical studies. In
this paper, three different techniques for handling missing data are shown using an example from a
rheumatologic study. It is also shown how sensitive the conclusions of the study can be in terms of how
the incomplete data are analyzed. The missing data process is studied in the framework of longitudinal
data. The common approaches to handling missing longitudinal clinical trial data because of dropout
are complete case (CC) and last observation carried forward (LOCF) analyses. These methods, while
intuitively appealing, require tough assumptions to reach valid statistical conclusions. A relatively new
and up to date statistical method for analyzing data with incomplete repeated measures is “likelihoodbased
ignorable method” which has less constraints and fewer tough assumptions than those required
for CC and LOCF. We apply these three methods to data set of a rheumatologic trial comparing
disease groups in terms of the joint pain scores using a mixed model. No significant differences were
found between the methods of analysis. It can be concluded that attention to the mechanisms of
missing data should be very important part of the analysis of rheumatologic data.
Last observation carried forward Complete case analysis Longitudinal data Rheumatology Missing data process Mixed models
Boylamsal çalışmalarda eksik veriler kaçınılmazdır ve klinik çalışmaların istatistiksel analizinde
çözülmeleri gereken yanlı tahminler ve güç kaybı gibi ciddi sorunlara yol açabilirler. Bu makalede,
romatolojik bir çalışmadan alınan örnek kullanılarak eksik verilerin üstesinden gelen üç farklı
teknik gösterilmiştir. Ayrıca çalışmanın sonuçlarının, eksik verilerin analiz edilme şekli açısından
ne kadar hassas olabileceği gösterilmiştir. Eksik veri süreci boylamsal veriler için incelenmiştir.
Ayrılmalar nedeniyle eksik boylamsal klinik çalışma verilerinin üstesinden gelen yaygın yaklaşımlar,
tam vaka (CC) ve son gözlemi ileri taşıma (LOCF) analizleridir. Sezgisel olarak çekici olmalarına
rağmen bu yöntemler, geçerli istatistiksel sonuçlar üretmek için kısıtlayıcı varsayımlar gerektirirler.
Eksik tekrarlanan ölçümleri içeren verileri analiz etmek için nispeten yeni ve modern bir istatistiksel
yöntem, CC ve LOCF’ye göre daha az sınırlamaya ve kısıtlayıcı varsayımlara sahip olan “olabilirlik
tabanlı” yöntemdir. Bu üç yöntemi, karışık bir model kullanarak eklem ağrı skorları açısından hastalık
gruplarını karşılaştıran romatolojik bir çalışma setine uyguladık. Analiz yöntemleri arasında anlamlı
bir fark bulunmamıştır. Eksik veri mekanizmalarına dikkatin romatolojik verilerin analizinde ayrılmaz
bir parçası olması gerektiği sonucuna vardık.
Tam vaka analizi Son gözlem ileriye taşıma boylamsal veriler Romatoloji Eksik veri süreci Karışık modeler
Birincil Dil | İngilizce |
---|---|
Konular | Klinik Tıp Bilimleri |
Bölüm | Araştırma Makaleleri |
Yazarlar | |
Yayımlanma Tarihi | 12 Temmuz 2021 |
Gönderilme Tarihi | 21 Mayıs 2020 |
Yayımlandığı Sayı | Yıl 2021 Cilt: 7 Sayı: 2 |