Incorporating Missing Data Considerations into Sample Size Calculations for Developing Clinical Prediction Models
Diese Studie zeigt, dass fehlende Prädiktordaten die erforderlichen Stichprobengrößen für die Entwicklung stabiler und gut kalibrierter klinischer Vorhersagemodelle erheblich erhöht, und schlägt eine praktische Anpassung posterior-basierter Stichprobengrößenberechnungen vor, um Annahmen zu fehlenden Daten und Imputationsstrategien direkt zu berücksichtigen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Ganze: Warum wir mehr Daten benötigen, wenn Dinge fehlen
Stellen Sie sich vor, Sie sind ein Koch, der versucht, ein neues, perfektes Suppenrezept zu kreieren (ein klinisches Vorhersagemodell). Um sicherzustellen, dass die Suppe für jeden schmeckt, müssen Sie sie an einer großen Gruppe von Menschen testen.
Normalerweise haben Statistiker eine „Faustregel" dafür, wie viele Menschen Sie testen müssen, um ein zuverlässiges Rezept zu erhalten. Sie gehen davon aus, dass jede einzelne Person, die Sie fragen, alle Zutaten bereit hat (z. B. haben alle Salz, Pfeffer und Karotten).
Das Problem: In der realen Welt vergessen Menschen oft, eine Zutat mitzubringen. Vielleicht hat jemand keine Karotten, oder ihr Salz fehlt. Dies sind fehlende Daten.
Dieses Papier argumentiert, dass, wenn Sie erwarten, dass Menschen Zutaten vermissen, Ihre alte „Faustregel" dafür, wie viele Menschen Sie testen müssen, falsch ist. Sie ist zu niedrig. Wenn Sie bei der alten Zahl bleiben, schmeckt Ihre Suppe vielleicht in Ihrer kleinen Testküche großartig, wird aber eine Katastrophe, wenn Sie versuchen, sie der ganzen Welt zu servieren.
Die Kernentdeckung: Fehlende Zutaten benötigen einen größeren Topf
Die Forscher führten eine massive Simulation (ein Computerexperiment) durch, um zu sehen, was passiert, wenn Sie versuchen, mit fehlenden Zutaten zu kochen.
- Das „perfekte" Szenario: Wenn jeder alle seine Zutaten mitbringt, funktioniert die Standardrezeptur für die Anzahl der Tester gut.
- Das „fehlende" Szenario: Wenn 20 %, 40 % oder sogar 60 % der Tester Zutaten vermissen, beginnt das Rezept zu versagen. Die Suppe wird „überangepasst" (over-fitted).
- Analogie: Denken Sie an „Überanpassung" wie das Auswendiglernen einer spezifischen Prüfung. Wenn Sie nur die exakten Fragen eines ÜbungsTests lernen, erreichen Sie vielleicht 100 % in diesem Test. Aber wenn Sie in die echte Prüfung gehen und die Fragen leicht anders sind (oder einige fehlen), scheitern Sie. Das Modell hat die „Eigenarten" des kleinen, chaotischen Datensatzes gelernt, anstatt das wahre Muster.
Die Erkenntnis: Um dasselbe zuverlässige Suppenrezept zu erhalten, wenn Zutaten fehlen, benötigen Sie oft die doppelte Anzahl an Testpersonen, als die Standardregeln vorschlagen.
Die Lösung: Eine neue „Simulationsküche"
Das Papier schlägt eine neue Methode vor, um herauszufinden, wie viele Menschen Sie benötigen. Anstatt nur eine schnelle mathematische Berechnung durchzuführen, schlagen sie vor, eine Simulation (eine Probelauf) durchzuführen, bevor Sie Ihre echte Studie beginnen.
So funktioniert ihre neue Methode, Schritt für Schritt:
- Eine falsche Welt erschaffen: Zuerst erstellen Sie eine riesige, perfekte Computerwelt mit 500.000 Menschen, in der Sie genau wissen, was das „wahre" Suppenrezept sein sollte.
- Die Welt zerstören: Dann „zerstören" Sie diese Welt absichtlich, indem Sie einige Menschen ihre Zutaten vergessen lassen (Simulation fehlender Daten).
- Der Probelauf: Sie versuchen, Ihre Suppe mit verschiedenen Strategien zu kochen:
- Strategie A: Werfen Sie jeden weg, dem eine Zutat fehlt (Vollständigkeitsanalyse).
- Strategie B: Raten Sie die fehlende Zutat basierend auf dem, was sie tatsächlich mitgebracht haben (Imputation).
- Den Geschmack prüfen: Sie probieren die Suppe. Stimmt sie mit dem „wahren" Rezept überein?
- Die Topfgröße anpassen: Wenn die Suppe schlecht schmeckt, erhöhen Sie die Anzahl der Tester in Ihrer Simulation und versuchen es erneut. Sie machen dies so lange, bis Sie die genaue Anzahl der Tester finden, die erforderlich ist, um zu garantieren, dass die Suppe auch mit fehlenden Zutaten gut schmeckt.
Wichtige Konzepte einfach erklärt
- Überanpassung (Overfitting): Stellen Sie sich einen Schüler vor, der die Antworten eines spezifischen Übungsquiz auswendig gelernt hat. Er bekommt eine Eins. Aber wenn die echte Prüfung kommt und eine Frage fehlt, gerät er in Panik und besteht nicht. Das Modell ist „überangepasst", weil es das Rauschen (die Eigenarten der fehlenden Daten) gelernt hat, anstatt das Signal (das echte Muster).
- Kalibrierungssteigung: Dies ist ein Wert, der Ihnen sagt, wie „stark komprimiert" Ihr Modell ist. Ein Wert von 1,0 ist perfekt. Ein Wert unter 0,9 bedeutet, dass Ihr Modell zu zuversichtlich ist und wahrscheinlich falsch liegt. Das Papier stellte fest, dass bei fehlenden Daten die Werte oft unter 0,9 fielen, es sei denn, Sie verdoppelten Ihre Stichprobengröße.
- Imputation: Dies ist der Akt des „Ratens" der fehlenden Werte. Das Papier testete verschiedene Arten des Raten (z. B. Verwendung eines Random Forest oder eines einfachen Durchschnitts) und stellte fest, dass das Raten zwar hilft, das Problem aber nicht vollständig löst – Sie benötigen immer noch mehr Daten.
- EVPI (Erwarteter Wert perfekter Information): Dies ist eine ausgefallene Art zu fragen: „Wie viel verlieren wir dadurch, dass wir keine perfekten Daten haben?" Es berechnet die Kosten der Unsicherheit. Das Papier zeigt, dass fehlende Daten diese „Kosten" erhöhen und das Hinzufügen weiterer Personen zu Ihrer Studie diese senkt.
Was das Papier tatsächlich sagt (und was nicht)
- Was sie fanden: Fehlende Daten machen Ihr Modell weniger stabil und weniger genau. Um dies zu beheben, müssen Sie Ihre Stichprobengröße erhöhen, manchmal um den Faktor 2.
- Was sie empfehlen: Verwenden Sie nicht einfach die alten, einfachen mathematischen Formeln. Nutzen Sie ihre neue Simulationsmethode, um Ihre Studie zu planen. Dies beinhaltet Annahmen darüber, wie Daten fehlen (z. B. ist es zufällig, oder geschieht es aufgrund anderer Faktoren?) und das Testen dieser Annahmen in einer Computersimulation.
- Was sie nicht getan haben: Sie haben dies nicht gerade in einem spezifischen realen Krankenhaus getestet. Sie verwendeten Computersimulationen und zwei hypothetische Beispiele (eines, bei dem sie alte Daten hatten, um ihnen beim Raten zu helfen, und eines, bei dem sie blind raten mussten).
- Die „Faustregel"-Alternative: Wenn Sie die komplexe Simulation nicht durchführen können, schlagen sie eine grobe Lösung vor: Nehmen Sie Ihre Standardzahl für die Stichprobengröße und teilen Sie sie durch
(1 - Prozentsatz der fehlenden Daten). Wenn Sie beispielsweise 50 % fehlende Daten erwarten, benötigen Sie die doppelte Stichprobengröße. Allerdings geben sie zu, dass dies nur eine grobe Schätzung ist und die Simulation besser ist.
Das Fazit
Wenn Sie eine Studie planen, um ein medizinisches Vorhersagemodell zu erstellen, und Sie wissen, dass einige Daten fehlen werden (was fast immer der Fall ist), vertrauen Sie nicht den Standardrechnern für die Stichprobengröße. Diese werden Ihnen eine Zahl geben, die zu klein ist.
Verwenden Sie stattdessen diesen neuen „Simulationsküchen"-Ansatz. Er ermöglicht es Ihnen, verschiedene Szenarien zu testen und die wahre Anzahl der Personen zu finden, die Sie rekrutieren müssen, um sicherzustellen, dass Ihr Modell stabil, genau und bereit für die reale Welt ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.