Pattern-Based Sequential Multiple Imputation for Missing Data in Clinical Trials: An Extension for Baseline-Only Early Dropout Subjects

In der Welt der klinischen Studien versuchen Forscher ständig zu messen, wie gut ein neues Medikament im Vergleich zu einem Placebo wirkt. Um eine klare Antwort zu erhalten, begleiten sie Patienten über einen längeren Zeitraum und überprüfen deren Gesundheitszustand in regelmäßigen Abständen. Doch das Leben ist unvorhersehbar. Patienten hören oft auf, das Studienmedikament einzunehmen, oder brechen die Teilnahme an der Studie vor deren Ende sogar ganz ab. Manchmal verlassen sie die Studie aufgrund von Nebenwirkungen, manchmal weil sie sich besser fühlen, und manchmal aus Gründen, die völlig unzusammenhängend mit dem Medikament stehen. Wenn ein Patient die Studie verlässt, stoppen seine Daten, wodurch eine Lücke in der Aufzeichnung entsteht. Jahrzehntelang haben Statistiker damit gerungen, wie sie diese Lücken füllen können, ohne das Endergebnis zu verzerren. Das Ziel ist es, die wahre Wirkung der Behandlung auf die gesamte Gruppe der Menschen zu verstehen, die die Studie begonnen haben, und nicht nur auf die wenigen Glücklichen, die bis zum Ende durchgehalten haben. Wenn Forscher die Menschen, die vorzeitig ausgeschieden sind, einfach ignorieren, könnten sie die Ergebnisse versehentlich verfälschen und ein Medikament besser oder schlechter aussehen lassen, als es tatsächlich ist.

Ein moderner Ansatz namens „Treatment Policy“ (Behandlungsstrategie) ist zum Standard für den Umgang mit solchen Unterbrechungen geworden. Er stellt eine einfache Frage: Was passiert mit der Gesundheit des Patienten, unabhängig davon, ob er das Medikament weiter eingenommen hat oder nicht? Um dies zu beantworten, verwenden Statistiker eine Technik namens „Multiple Imputation“. Stellen Sie sich vor, Sie versuchen, den Rest einer Geschichte zu erraten, nachdem Sie nur die ersten Kapitel gelesen haben. Anstatt nur einmal zu raten, erstellen Sie viele verschiedene mögliche Enden basierend auf dem, was Sie über die Charaktere wissen, und berechnen dann den Durchschnitt, um eine zuverlässige Vorhersage zu erhalten. Diese Methode funktioniert gut, wenn Patienten mindestens eine Untersuchung nach Beginn der Studie hatten. Aber es gibt ein spezifisches, hartnäckiges Problem, das dieses System aus dem Gleichgewicht bringt: der „Baseline-only“-Dropout (Ausstieg nach der Basisuntersuchung). Dies sind die Patienten, die sich anmelden, ihre erste Untersuchung absolvieren und dann verschwinden, noch bevor jegliche Follow-up-Daten erhoben werden konnten. Da sie keine Follow-up-Daten haben, können die Standard-Statistikwerkzeuge nicht feststellen, wann oder warum sie ausgeschieden sind, wodurch sie in der Analyse stranden bleiben.

Dies ist genau das Rätsel, das der Forscher Chen Zhang und sein Team lösen wollten. Sie konzentrierten sich auf Studien für das primäre Sjögren-Syndrom, eine chronische Autoimmunerkrankung, bei der Patienten über mehrere Monate hinweg beobachtet werden. In diesen Studien gibt es eine spürbare Anzahl von Patienten, die vor ihrem ersten Follow-up-Besuch ausscheiden, oft aufgrund von Widerruf der Einwilligung oder anderer logistischer Probleme. Das Team erkannte, dass die bestehenden statistischen Modelle, die eigentlich darauf ausgelegt sind, fehlende Daten zu handhaben, diese Patienten nicht verarbeiten konnten, ohne sie komplett aus der Studie auszuschließen. Sie aus der Studie auszuschließen ist riskant, da dies die untersuchte Gruppe verändert und potenziell die Ergebnisse verzerrt. Um dies zu beheben, entwickelten die Forscher eine neue Methode, die sie „Extended Pattern-based Sequential Multiple Imputation“ nennen. Der Kern der Idee besteht darin, Informationen von ähnlichen Patienten zu „leihen“, die in der Studie geblieben sind. Für jeden Patienten, der nach der ersten Untersuchung verschwand, findet das Team einen „Spender-Patienten“ in derselben Behandlungsgruppe, der in Bezug auf Alter, Krankengeschichte und andere Faktoren sehr ähnlich aussieht und der tatsächlich Follow-up-Daten geliefert hat.

Die Forscher testeten zwei verschiedene Wege, um diese geliehenen Informationen zu nutzen. Der erste Ansatz, den sie „Full Donor“-Strategie nennen, kopiert die gesamte zukünftige Reise des Spender-Patienten auf den fehlenden Patienten. Es ist, als ob dem fehlenden Patienten das exakte Skript dessen gegeben wird, was seinem Zwilling passiert ist – vom zweiten Besuch bis zum Ende. Der zweite Ansatz, genannt „Y1 Donor“, ist vorsichtiger. Er kopiert lediglich den allerersten Follow-up-Besuch des Spenders. Für alle Besuche danach füllt das statistische Modell die Lücken unter Verwendung der breiteren Muster der gesamten Studie auf, anstatt sich auf eine einzige geliehene Geschichte zu verlassen. Das Team führte tausende Computersimulationen basierend auf realen Studiendaten durch, um zu sehen, welche Methode am besten funktioniert. Sie erstellten virtuelle Patienten mit unterschiedlichen Gründen für das Ausscheiden – einige zufällig und andere mit dem Gesundheitszustand verknüpft –, um zu testen, wie die Methoden unter Druck bestehen.

Die Ergebnisse waren klar und eindeutig. Die „Full Donor“-Strategie erwies sich, obwohl sie intuitiv erscheint, als unzuverlässig. Durch das Kopieren eines gesamten Verlaufs von einem einzigen Spender wurde eine falsche Sicherheit erzeugt. Das statistische Modell glaubte, genau zu wissen, was mit diesen fehlenden Patienten geschah, was zu zu engen Konfidenzintervallen und oft verzerrten Ergebnissen führte, insbesondere wenn der Grund für das Ausscheiden mit der Gesundheit des Patienten zusammenhing. Es war, als würde man annehmen, dass zwei Menschen, die sich ähnlich sehen, auch exakt dieselben Lebenserfahrungen machen werden, wobei man die Zufälligkeit des echten Lebens ignoriert. Im Gegensatz dazu schnitt die „Y1 Donor“-Strategie bemerkenswert gut ab. Indem sie nur den ersten Follow-up-Besuch lieh und den Rest dem Modell überließ, bewahrte sie ein gesundes Maß an Unsicherheit. Dieser Ansatz hielt die Ergebnisse genau und die statistische Zuverlässigkeit ehrlich, selbst wenn die fehlenden Daten schwierig waren.

Die Studie ergab, dass die Verwendung der „Y1 Donor“-Methode es den Forschern ermöglichte, jeden einzelnen Patienten in die Analyse einzubeziehen, einschließlich derer, die nach dem ersten Besuch ausschieden. Dies ist entscheidend, da es die Integrität der ursprünglichen Studiengruppe bewahrt. Wenn man die Menschen ausschließt, die vorzeitig ausgeschieden sind, untersucht man am Ende möglicherweise eine Gruppe, die sich grundlegend von der Gruppe unterscheidet, die man eigentlich behandeln wollte. Die neue Methode stellt sicher, dass die endgültige Antwort die Behandlungsstrategie für die gesamte Population widerspiegelt, nicht nur für eine ausgewählte Teilmenge. Während die „Full Donor“-Methode zu riskant ist, um als Hauptmethode zur Datenanalyse verwendet zu werden, schlagen die Forscher vor, dass sie dennoch als sekundäre Überprüfung nützlich sein kann, um zu sehen, ob die Ergebnisse unter verschiedenen Annahmen standhalten. Letztlich bietet diese Arbeit ein praktisches Werkzeug für klinische Studien, das sicherstellt, dass die Stimmen der Patienten, die frühzeitig ausscheiden, nicht verloren gehen und dass die Schlussfolgerungen aus diesen lebensrettenden Studien so genau und inklusiv wie möglich sind.