Multiple Imputation Methods for Handling Missing Data under Treatment Policy Strategy: A Scoping Review

In der Welt der medizinischen Forschung gilt die randomisierte kontrollierte Studie als Goldstandard für den Nachweis der Wirksamkeit eines neuen Medikaments. In diesen Studien werden Freiwillige entweder einer neuen Behandlung oder einer Standardbehandlung zugewiesen, und Forscher verfolgen deren Gesundheitszustand über einen Zeitraum, um zu sehen, wer sich verbessert. Doch das echte Leben ist chaotisch. Teilnehmer nehmen oft ihre Medikamente nicht mehr ein, wechseln zu einer anderen Behandlung oder brechen die Studie aufgrund von Nebenwirkungen oder persönlichen Gründen ganz ab. Diese Unterbrechungen werden als Zwischenereignisse (intercurrent events) bezeichnet. Jahrzehntelang debattierten Statistiker darüber, wie man mit den Daten dieser Teilnehmer umgeht, sobald sie den Behandlungspfad verlassen haben. Sollte man so tun, als hätten sie nie aufgehört, oder sollte man nur die Zeit zählen, in der sie das Medikament tatsächlich eingenommen haben? Eine wichtige Aktualisierung der internationalen Leitlinien für klinische Studien führte einen spezifischen Ansatz namens „Treatment-Policy-Strategie“ ein. Dieser Ansatz stellt eine einfache, praktische Frage: Was passiert mit einem Patienten, wenn ihm eine Behandlung zugewiesen wurde, unabhängig davon, ob er sich daran hält oder nicht? Er betrachtet die Zuweisung selbst als den entscheidenden Faktor und analysiert alle Ergebnisse so, wie sie auftreten, selbst nachdem ein Patient die Behandlung abgebrochen hat.

Die Herausforderung entsteht, wenn ein Patient die Behandlung abbricht und dann aufhört, zu den Nachuntersuchungen zu erscheinen. Seine Gesundheitsdaten werden dadurch lückenhaft. Wenn Forscher diese fehlenden Zahlen einfach ignorieren, können die Ergebnisse der Studie verzerrt werden, was ein Medikament potenziell besser oder schlechter aussehen lässt, als es tatsächlich ist. Um dies zu beheben, verwenden Statistiker eine Technik namens multiple Imputation. Stellen Sie sich ein Puzzle vor, bei dem einige Teile verloren gegangen sind; anstatt eine Lücke zu lassen, erstellen Sie mehrere verschiedene, plausible Versionen der fehlenden Teile basierend auf den Mustern, die Sie in den vorhandenen Teilen sehen. Sie lösen das Puzzle dann mit jeder Version und kombinieren die Ergebnisse, um eine zuverlässige Antwort zu erhalten. Während diese Methode gut funktioniert, wenn Daten zufällig fehlen (missing at random), scheitert sie unter der Treatment-Policy-Strategie oft, da Patienten, die die Behandlung abbrechen, ihren Gesundheitsverlauf oft auf eine Weise ändern, die sich von denen unterscheidet, die dabei bleiben. Die Standardannahmen treffen hier nicht mehr zu, und die fehlenden Teile müssen mit einer anspruchsvolleren Logik gefüllt werden.

Ein Team von Forschern am Imperial College London setzte sich zum Ziel, die Landschaft dieser fortgeschrittenen Lösungen abzubilden. Sie führten eine umfassende Überprüfung der wissenschaftlichen Literatur durch und suchten nach jeder Studie, die Methoden zur Auffüllung fehlender Daten speziell für die Treatment-Policy-Strategie vorschlug oder verglich. Sie suchten nach Papieren, die von Beginn der Datenbankaufzeichnungen bis Anfang 2026 veröffentlicht wurden. Nach einem strengen Screening-Prozess, bei dem Duplikate und irrelevante Studien entfernt wurden, identifizierten sie 52 Schlüsselartikel, die sich genau mit diesem Problem befassten. Ihr Ziel war es nicht, ein neues Medikament zu testen, sondern die mathematischen Werkzeuge zu ordnen, die Forscher verwenden, um sicherzustellen, dass die Ergebnisse klinischer Studien ehrlich und genau bleiben, wenn Teilnehmer aussteigen.

Die Übersicht zeigte, dass sich das Feld erheblich entwickelt hat, insbesondere seit der formellen Einführung der neuen Leitlinien im Jahr 2019. Vor diesem Zeitpunkt existierten ähnliche Ideen, wurden jedoch unter anderen Namen beschrieben, wie etwa „de facto“ oder „Effektivitäts“-Estimanden. Die neuen Leitlinien halfen dabei, die Sprache zu standardisieren, was zu einem Anstieg der Publikationen führte, die sich explizit mit der Treatment-Policy-Strategie befassen. Die Forscher fanden heraus, dass der Großteil der Arbeiten in diesem Bereich aus den Vereinigten Staaten und dem Vereinigten Königreich stammt und die Mehrheit der Arbeiten methodische Studien sind, die darauf abzielen, statistische Modelle zu testen und zu verfeinern, anstatt Berichte über tatsächliche klinische Studien zu sein.

Der Kern der Übersicht konzentrierte sich auf vier Hauptfamilien von Methoden, die zur Handhabung dieser fehlenden Datenpunkte verwendet werden. Der am häufigsten angewandte Ansatz, der in etwa drei Vierteln der Studien vorkommt, wird als referenzbasierte Imputation bezeichnet. Diese Methode geht davon aus, dass, wenn ein Patient seine zugewiesene Behandlung abbricht, seine zukünftigen Gesundheitsergebnisse beginnen werden, denen einer spezifischen Vergleichsgruppe zu ähneln, oft den Patienten, die ein Placebo oder ein Standardmedikament erhielten. Es gibt mehrere Variationen dieser Idee. Eine Version, bekannt als „Jump to Reference“, nimmt an, dass der Patient den Nutzen des neuen Medikaments sofort verliert und augenblicklich den Verlauf der Vergleichsgruppe annimmt. Eine andere, „Copy Increments in Reference“, geht davon aus, dass der Patient den Nutzen, den er bis zum Zeitpunkt des Abbruchs gewonnen hat, beibehält, sich dann aber mit der gleichen Rate wie die Vergleichsgruppe verändert. Eine dritte Variation, „Last Mean Carried Forward“, nimmt an, dass der Patient den durchschnittlichen Nutzen beibehält, den er zum Zeitpunkt des Ausscheidens aus der Studie hatte.

Die zweite große Familie von Methoden wird als „Retrieved Dropout Imputation“ bezeichnet. Dieser Ansatz verfolt eine andere Sichtweise. Anstatt Daten von einer Vergleichsgruppe zu entleihen, stützt er sich vollständig auf die tatsächlichen Daten anderer Patienten, die die Behandlung abgebrochen, aber in der Studie geblieben sind. Wenn ein Patient aussteigt, werden seine fehlenden zukünftigen Daten basierend auf den beobachteten Mustern derer geschätzt, die ebenfalls die Behandlung abgebrochen, aber weiterhin Informationen bereitgestellt haben. Diese Methode ist leistungsstark, weil sie reale Belege aus der Studie selbst nutzt, erfordert aber, dass genügend Patienten, die die Behandlung abgebrochen haben, tatsächlich in der Studie verbleiben, um ein zuverlässiges Muster zu liefern. Die Forscher fanden heraus, dass diese Methode in verschiedenen Formen entwickelt wurde, wobei einige nur den letzten Besuch vor dem Abbruch eines Patienten betrachten und andere ein komplexeres Modell verwenden, das die gesamte Historie der Behandlung und des Abbruchs des Patienten verfolgt.

Die Übersicht identifizierte auch zwei weitere, weniger verbreitete Strategien. Eine ist die „Return-to-Baseline“-Methode, die davon ausgeht, dass die Gesundheit eines Patienten nach dem Abbruch der Behandlung auf das Niveau zurückkehrt, das er zu Beginn der Studie hatte, wobei eine gewisse zufällige Variation hinzugefügt wird. Die andere, die „Washout“-Methode, ist ähnlich wie der referenzbasierte Ansatz, wird jedoch nur auf die abschließende Messung der Studie angewendet. Sie geht davon aus, dass jeglicher Nutzen des experimentellen Medikaments für diejenigen, die aufhören, im Laufe der Zeit verschwindet, sodass nur noch der Effekt des Placebos oder der Standardversorgung übrig bleibt. Zusätzlich zu diesen vier Hauptkategorien fanden die Forscher eine wachsende Anzahl von „Hybrid“-Methoden. Dies sind neuere Techniken, die versuchen, die Stärken der verschiedenen Ansätze zu kombinieren, wie etwa die Verwendung der realen Daten von Abbrechern, wenn verfügbar, aber der Wechsel zu einer referenzbasierten Annahme, falls nicht genügend Daten vorliegen, um eine zuverlässige Schätzung vorzunehmen.

Die Forscher untersuchten auch, wie diese Methoden auf verschiedene Arten von Gesundheitsergebnissen angewendet werden. Während der Großteil der Arbeit sich auf kontinuierliche Messungen konzentrierte, wie etwa Blutdruck oder Schmerzscores, zeigte die Übersicht, dass Statistiker diese Techniken erfolgreich für binäre Ergebnisse (wie ob ein Patient genesen ist oder nicht), Zeit-bis-Ereignis-Daten (wie lange es dauerte, bis eine Krankheit zurückkehrte) und sogar komplexe Zählungen wiederkehrender Ereignisse angepasst haben. Dennoch hob die Übersicht eine signifikante Lücke hervor: Während die Methoden für kontinuierliche Daten gut entwickelt sind, reifen die Werkzeuge für andere Ergebnistypen noch. Zudem stellten die Forscher fest, dass zwar viele Arbeiten den Computercode bereitstellten, der zum Ausführen dieser Imputationsmethoden benötigt wird, aber weniger den Code lieferten, der zur Generierung der simulierten Daten für die Tests verwendet wurde. Dies erschwert es anderen Wissenschaftlern, die Validierung dieser Methoden vollständig nachzuvollziehen.

Ein kritischer Punkt, der in der Übersicht diskutiert wird, ist das Problem der „Unkongenialität“ (uncongeniality). Dies tritt auf, wenn das mathematische Modell, das verwendet wird, um die fehlenden Daten zu füllen, nicht perfekt mit dem Modell übereinstimmt, das zur Analyse der Endergebnisse verwendet wird. Diese Diskrepanz kann zu falschen Schätzungen darüber führen, wie sicher sich Forscher über ihre Ergebnisse sein sollten. Die Übersicht fand heraus, dass, obwohl die Standard-Statistikregeln zur Kombination von Ergebnissen weit verbreitet sind, einige Experten argumentieren, dass sie für diese spezifischen Methoden möglicherweise nicht die beste Wahl sind. Stattdessen schlagen einige Forscher alternative Berechnungsmethoden vor, wie etwa Bootstrapping, um ein genaueres Maß an Unsicherheit zu erhalten. Die Übersicht erklärte nicht, dass eine Methode der anderen überlegen sei; vielmehr betonte sie, dass die Wahl der Methode stark von den spezifischen Annahmen abhängt, die ein Forscher darüber trifft, was mit einem Patienten geschieht, nachdem dieser die Behandlung abgebrochen hat.

Letztendlich dient diese Scoping-Review als lebensnotwendige Karte für das komplexe Gelände der modernen klinischen Studienanalyse. Sie zeigt, dass es zwar keinen einzelnen, perfekten Weg gibt, um mit fehlenden Daten umzugehen, wenn Patienten die Behandlung abbrechen, aber dass ein robuster und wachsender Werkzeugsatz an Methoden zur Verfügung steht. Die Forscher kamen zu dem Schluss, dass das Verständnis der spezifischen Annahmen hinter jeder Methode entscheidend ist, um die richtige Wahl zu treffen. Da sich klinische Studien weiterentwickeln, um die Realbedingungen widerzuspiegeln, wird die Fähigkeit, die Lücken zu füllen, die durch das Ausscheiden von Patienten entstehen, ein Eckpfeiler vertrauenswürdiger medizinischer Wissenschaft bleiben. Die Arbeit dieser Statistiker stellt sicher, dass, wenn ein Arzt ein Medikament verschreibt, die Beweise für dessen Wirksamkeit die Realität berücksichtigen, dass Patienten Pläne nicht immer perfekt befolgen.