Component over Composite: Mitigating Type I Error Inflation when Imputing "Days Alive and at Home"
Diese Studie zeigt durch Simulation, dass das Imputieren der einzelnen Komponenten des zusammengesetzten Endpunkts „Tage lebendig und zu Hause" anstelle des zusammengesetzten Endpunkts selbst die Inflations des Typ-I-Fehlers wirksam mindert und die statistische Power in klinischen Studien erhält.
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
Stellen Sie sich vor, Sie versuchen zu messen, wie viele Tage ein Patient nach einer großen Operation „am Leben und zu Hause" verbringt. Nennen wir diesen Wert DAH (Days Alive and at Home). Es ist ein bisschen wie eine Videospielescore, der die Tage zählt, an denen Sie sicher und wohlauf sind, aber auf Null zurückgesetzt wird, wenn Sie sterben oder wieder ins Krankenhaus müssen.
Um diesen Wert zu berechnen, benötigen Sie drei Informationen:
- Wie lange der Patient unmittelbar nach der Operation im Krankenhaus verblieb.
- Wie lange er im Krankenhaus verblieb, falls er später zurückkehren musste (Wiederaufnahmen).
- Ob er noch am Leben ist.
Das Problem: Fehlende Puzzleteile
Im echten Leben ist es schwierig, all diese Daten zu erhalten. Das Krankenhaus verfügt normalerweise über perfekte Aufzeichnungen für den ersten Aufenthalt und darüber, ob jemand verstorben ist. Doch die Verfolgung des Aufenthaltsorts eines Patienten nach der Entlassung aus dem Krankenhaus (wie etwa das Prüfen eines Tagebuchs, das er selbst führt) ist schwieriger. Manchmal vergessen Patienten, ins Tagebuch zu schreiben, oder sie hören auf zu antworten.
Dies erzeugt ein Problem mit „fehlenden Puzzleteilen". Wenn einem Patienten auch nur ein Tag seines Tagebuchs fehlt, bestand die alte Methode darin, seine gesamte Punktzahl zu verwerfen. Es ist, als würde man sagen: „Weil Sie vergessen haben aufzuschreiben, was Sie am Dienstag zum Mittagessen gegessen haben, können wir Ihre gesamte wöchentliche Ernährung nicht zählen." Dies verschwendet eine Menge nützlicher Informationen.
Ein anderer Weg, dies zu beheben, besteht darin, ein Computerprogramm zu verwenden, um die fehlenden Tage zu „erraten" (zu imputieren). Das Papier warnt jedoch davor, dass der Computer verwirrt werden könnte, wenn Sie versuchen, die Gesamtpunktzahl direkt zu erraten.
Das Experiment: Testen verschiedener Errate-Strategien
Die Autoren führten eine massive Computersimulation (wie einen virtuellen Versuch) basierend auf einer echten Herzchirurgiestudie namens NOTACS durch. Sie erstellten 10.000 gefälschte Szenarien mit unterschiedlichen Mengen an fehlenden Daten, um zu sehen, welche Methode am besten funktionierte.
Sie testeten zwei Hauptansätze:
- Der „Alles-oder-Nichts"-Erratversuch (auf Komposit-Ebene): Der Computer betrachtet die Endpunktzahl. Wenn ein Teil fehlt, errät er die gesamte Punktzahl basierend auf Alter, Geschlecht usw. des Patienten.
- Der „Teil-für-Teil"-Erratversuch (auf Komponentenebene): Der Computer errät die fehlenden Teile separat. Er nutzt die bekannte Krankenhausverweildauer, um die fehlenden Tage im Tagebuch zu erraten, und addiert sie dann, um die Endpunktzahl zu erhalten.
Die große Entdeckung: Eine Warnung vor „Predictive Mean Matching"**
Das Papier fand eine spezifische Gefahr bei der ersten Methode (Erraten der gesamten Punktzahl). Wenn der Computer eine beliebte Technik namens Predictive Mean Matching (PMM) verwendete, um die fehlenden Punktzahlen zu erraten, begann er, wilde Fehler zu machen.
Die Analogie: Stellen Sie sich einen Lehrer vor, der einen Test bewertet. Wenn ein Schüler eine Frage verpasst, versucht der Lehrer, die gesamte Testpunktzahl basierend auf dem Alter des Schülers zu erraten. Wenn der Lehrer aufgrund der Funktionsweise der Mathematik annimmt, dass ein Schüler, der eine Frage verpasst hat, tatsächlich eine perfekte Punktzahl (oder eine Null) erreicht hat, wird der Klassen Durchschnitt gefälscht.
In der Simulation führte diese „Alles-oder-Nichts"-Erratmethode dazu, dass der Fehler 1. Art in die Höhe schoss.
- Was ist ein Fehler 1. Art? Es ist ein „falscher Alarm". Es ist der Fall, in dem die Studie zu dem Schluss kommt, dass eine neue Behandlung wirkt, während sie in Wirklichkeit nichts bewirkt.
- Das Ergebnis: Wenn 25 % der Daten fehlten, verursachte diese schlechte Methode, dass falsche Alarme 32 % der Zeit auftraten (anstatt des sicheren Grenzwerts von 5 %). Es war wie ein Rauchmelder, der jedes Mal auslöst, wenn Sie Brot toasten, sodass Sie denken, es gäbe ein Feuer, obwohl keines vorhanden ist.
Die Lösung: Den Wert Ziegel für Ziegel aufbauen
Das Papier empfiehlt die zweite Methode: Die Teile separat erraten.
Die Analogie: Anstatt die endgültige Höhe eines Gebäudes zu erraten, messen Sie das Fundament (das Sie perfekt kennen), erraten dann die Höhe der fehlenden Etagen einzeln und addieren sie schließlich. Da Sie das solide Fundament (die bekannte Krankenhausverweildauer) nutzen, um die fehlenden Etagen zu erraten, ist das Endergebnis viel genauer.
Diese „Teil-für-Teil"-Methode hielt die Rate der falschen Alarme niedrig (bei etwa 5 %) und gab der Studie die beste Chance, echte Unterschiede zwischen Behandlungen zu finden.
Zusammenfassung der Ergebnisse
- Werfen Sie keine Daten weg: Wenn ein Patient einige Tagebucheinträge verpasst, löschen Sie nicht seinen gesamten Datensatz. Verwenden Sie die Daten, die Sie haben.
- Erraten Sie die Gesamtpunktzahl nicht direkt: Der Versuch, die endgültige Zahl „Tage am Leben und zu Hause" auf einmal mit bestimmten Computermethoden zu erraten, führt zu falschen Schlussfolgerungen.
- Erraten Sie die Teile: Es ist sicherer und genauer, die fehlenden Krankenhaustage separat zu erraten, wobei die bekannte Krankenhausverweildauer als Leitfaden dient, und dann die Endpunktzahl zu berechnen.
Die Autoren kommen zu dem Schluss, dass für diese spezifische Art von medizinischem Ergebnis der „Teil-für-Teil"-Ansatz der einzige sichere Weg ist, mit fehlenden Daten umzugehen, ohne die Studie zu täuschen, indem sie glaubt, eine Behandlung wirke, obwohl dies nicht der Fall 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.