📊 statistics

Two-stage imputation of longitudinal anthropometric data with cross-reference harmonisation: a simulation study

Este estudio de simulación evalúa un método reproducible de dos etapas para imputar datos longitudinales faltantes de peso y talla que combina la interpolación lineal intrasujeto con la estimación basada en referencias de crecimiento, demostrando una alta precisión y la capacidad de manejar y auditar explícitamente los diferentes estándares de referencia entre las fuentes de datos.

Autores originales: Flavia Alves

Publicado 2026-06-10

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Flavia Alves

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando reconstruir una película del crecimiento de un niño, pero el carrete de la película está dañado. Faltan algunos fotogramas (datos faltantes) y, lo que es peor, algunas escenas fueron filmadas con dos tipos diferentes de cámaras que registran el color de forma ligeramente distinta (diferentes estándares de crecimiento como la OMS frente al CDC). Si simplemente adivinas las partes faltantes o ignoras las diferencias entre las cámaras, tu película final será borrosa o distorsionada.

Este artículo presenta un método sencillo de "restauración de la película" de dos pasos para solucionar estos problemas de mediciones de crecimiento faltantes (peso y altura), manteniendo un registro claro de cómo se encontró exactamente cada pieza del rompecabezas.

Así es como funciona el método, utilizando analogías cotidianas:

El Problema: Fotogramas Faltantes y Cámaras Mixtas

En la investigación de la salud, realizamos un seguimiento del peso y la altura de las personas a lo largo del tiempo. A menudo, las personas pierden citas, dejando huecos en los datos. Además, algunos estudios utilizan las tablas de crecimiento de la OMS (como una "cámara europea") y otros utilizan las tablas del CDC (como una "cámara americana"). Incluso si un niño tiene el mismo tamaño, estas dos tablas podrían decir que está en un "percentil" diferente (un ranking en comparación con otros niños). Si mezclas estos conjuntos de datos sin darte cuenta, introduces un error oculto, como intentar editar una película donde la iluminación cambia aleatoriamente de escena en escena.

La Solución: Un Proceso de Restauración de Dos Etapas

Los autores proponen un método de "Dos Etapas" para llenar los huecos, priorizando lo que sabemos sobre la persona específica antes de suponer basándose en la población general.

Etapa 1: El Método de "Unir los Puntos" (Interpolación Intra-sujeto)

La Analogía: Imagina que tienes una foto de un niño a los 5 años y otra a los 7 años, pero la foto de los 6 años falta. La suposición más fácil y lógica es dibujar una línea recta entre la foto de los 5 y la de los 7 años. Asumes que el niño creció de forma constante en el intervalo.
Lo que hace el artículo: Si una persona tiene mediciones antes y después de una visita ausente, la computadora simplemente dibuja una línea recta entre ellas para llenar el vacío. Utiliza solo los datos de esa persona específica. Esta es la forma más precisa de llenar un hueco porque respeta el patrón de crecimiento de ese niño en particular.

Etapa 2: El Método de la "Tabla de Crecimiento" (Imputación de Centiles LMS)

La Analogía: ¿Qué pasa si no tienes fotos en absoluto para un año determinado, o si solo tienes una foto del niño? No puedes dibujar una línea. En su lugar, miras una "tabla de crecimiento" estándar (como las tablas de la OMS o del CDC). Encuentras dónde se sitúa usualmente ese niño en la tabla (por ejemplo, en el percentil 50, lo que significa que tiene un tamaño promedio) y asumes que se mantuvo en esa misma "trayectoria" hasta la próxima vez que lo viste.
Lo que hace el artículo: Si la Etapa 1 no puede llenar un vacío, el método analiza las mediciones conocidas del niño para determinar su "trayectoria de crecimiento" (centil). Luego, asume que el niño se mantuvo en esa trayectoria y calcula cuál debería ser su peso/altura en el momento faltante, utilizando la tabla de crecimiento específica (OMS o CDC) que utilizó la fuente de datos original.
El Giro del "Parámetro Explícito": Crucialmente, este método obliga al investigador a decir: "Estoy usando la tabla de la OMS para la Fuente A y la tabla del CDC para la Fuente B". No oculta esta elección. Registra exactamente qué "cámara" se utilizó para cada suposición.

La Etiqueta de "Procedencia": El Recibo de Cada Suposición

El artículo enfatiza que cada número en el conjunto de datos final recibe una "etiqueta" o recibo:

Observado: Realmente medimos esto.
Interpolado: Conectamos los puntos (Etapa 1).
Referencia de Crecimiento: Supusimos basándonos en la tabla (Etapa 2).

Esto es vital porque si un investigador quiere ser extra cuidadoso, puede decir: "Solo confiaré en los números 'Observados' e 'Interpolados', e ignoraré las suposiciones de 'Referencia de Crecimiento'", o puede analizarlos por separado para ver si las "suposiciones" cambian los resultados.

Los Resultados: ¿Qué tan buena es la Restauración?

Los autores probaron este método utilizando datos sintéticos (datos falsos generados por computadora que parecen estudios de crecimiento reales). Deliberadamente ocultaron el 20% de los números conocidos e intentaron adivinar de nuevo los valores faltantes.

El Resultado: El método llenó el 100% de los huecos.
La Precisión: Las suposiciones estuvieron muy cerca de la verdad. Para el peso, el error promedio fue de aproximadamente 1.78 kg (aproximadamente un 3.5% de diferencia). Para la altura, fue de aproximadamente 2.84 cm (2% de diferencia).
El Veredicto: Como era de esperar, las suposiciones de "Unir los Puntos" (Etapa 1) fueron más precisas que las suposiciones de la "Tabla de Crecimiento" (Etapa 2). Esto demuestra que el orden de las dos etapas (intentar conectar los puntos primero, usar las tablas solo si es necesario) es el enfoque correcto.

Limitaciones Importantes (Lo que dice el Artículo)

El artículo es muy honesto sobre lo que aún no hace:

Es una "Suposición Única": El método da una única mejor suposición para un número faltante. No calcula la "incertidumbre" o el rango de posibilidades. Si utilizas estas suposiciones en un estudio médico final, podrías pensar accidentalmente que sabes más de lo que realmente sabes.
La Asunción de "Estabilidad": La Etapa 2 asume que un niño se mantiene en la misma trayectoria de crecimiento. Si un niño tiene una enfermedad repentina o un estirón que cambia drásticamente su percentil, este método podría no detectar ese cambio. Sin embargo, debido a las "etiquetas", los investigadores pueden identificar estas suposiciones y tratarlas con precaución.
Solo Sintético: Estos resultados se basan en simulaciones por computadora, no en pacientes reales. El método funciona perfectamente en la simulación, pero necesita ser probado con datos reales desordenados antes de ser utilizado para conclusiones médicas serias.

Resumen

Este artículo ofrece una herramienta sencilla y transparente para solucionar los datos de crecimiento faltantes. Prioriza el uso de la propia historia de una persona primero, y luego recurre a las tablas de crecimiento estándar si es necesario, mientras anuncia claramente qué "estándar" se utilizó para cada cálculo. Es una forma de asegurar que, cuando combinamos datos de diferentes fuentes, no estemos mezclando accidentalmente manzanas y naranjas sin saberlo.

Resumen Técnico: Imputación en Dos Etapas de Datos Antropométricos Longitudinales

Planteamiento del Problema
Los conjuntos de datos de salud longitudinales sufren frecuentemente de mediciones faltantes de peso y talla debido a una recolección no estandarizada o evaluaciones omitidas. El manejo ingenuo de esta ausencia de datos (por ejemplo, el análisis de casos completos) puede introducir sesgos. Además, la combinación de datos de diferentes fuentes suele implicar el indexado de mediciones frente a estándares de referencia de crecimiento dispares (por ejemplo, OMS frente a CDC). Dado que estos estándares asignan percentiles diferentes a la misma medida física, combinarlos sin una armonización explícita introduce diferencias sistemáticas y, a menudo, no declaradas. La imputación en individuos en crecimiento es particularmente compleja porque los valores plausibles dependen conjuntamente de la edad y el sexo, lo que impide la imputación desde una única distribución fija.

Metodología
El artículo propone un método de imputación en dos etapas, reproducible e implementado en software estadístico base (R) sin dependencias de paquetes externos. El proceso está diseñado para priorizar los datos longitudinales individuales antes de recurrir a las referencias poblacionales, rastreando explícitamente la fuente de cada valor.

Etapa 1: Interpolación Lineal Intra-sujeto
Para cada sujeto, los valores observados se ordenan por fecha de visita. Los valores interiores faltantes (brechas entre dos mediciones observadas) se completan mediante interpolación lineal. No se realiza extrapolación; los valores anteriores a la primera observación o posteriores a la última permanecen faltantes para la Etapa 2. Esta etapa se basa únicamente en los propios datos del sujeto.
Etapa 2: Imputación de Percentiles por Referencia de Crecimiento (LMS)
Los valores faltantes restantes se imputan mediante referencias de crecimiento específicas de edad y sexo a través del método LMS (que modela la asimetría $L$ , la mediana $M$ y el coeficiente de variación $S$ ).
1. Para las mediciones observadas, se calcula la puntuación de desviación estándar ( $z$ ) del LMS y el percentil correspondiente.
2. Estos percentiles se transportan hacia adelante y hacia atrás a través de las visitas del sujeto, asumiendo una estabilidad de percentiles aproximadamente constante en el tiempo.
3. Si un sujeto no tiene valores observados para una medida, se asigna por defecto el percentil 50.
4. El valor de la medida esperada se deriva leyendo la curva de referencia en la edad y el sexo de la visita específica.
5. Se pueden suministrar diferentes tablas de referencia por cada fuente de datos (por ejemplo, estilo OMS para una fuente, estilo CDC para otra), lo que convierte al estándar en un parámetro explícito y auditable.
Preprocesamiento y Procedencia
Antes de la imputación, los valores implausibles se marcan utilizando puntuaciones $z$ robustas por rangos de edad y se establecen como faltantes si exceden un umbral configurable (por defecto: puntuación $z$ robusta absoluta > 3). Cada valor final se etiqueta por su procedencia: Observado, Interpolado (Etapa 1) o Referencia de Crecimiento (Etapa 2). Este etiquetado permite el análisis de estratificación o de sensibilidad posterior.

Evaluación y Resultados
El método fue evaluado utilizando un conjunto de datos sintéticos ( $n=60$ sujetos, 288 visitas) con un 30% de valores faltantes y cuatro valores atípicos groseros. Se utilizó un diseño de "enmascaramiento y recuperación", donde se ocultaron y re-imputaron el 20% de los valores observados para evaluar la precisión.

Completitud: El método logró una completitud de datos del 100%.
Precisión: El error absoluto medio (MAE) para el peso recuperado fue de 1.78 kg (MAPE del 3.5%), y para la talla, de 2.84 cm (MAPE del 2.0%). El sesgo fue insignificante (−0.07 kg para el peso; +0.17 cm para la talla).
Comparación de Etapas: Como se hipotetizó, los valores recuperados mediante la interpolación intra-sujeto fueron más precisos que los derivados de las referencias de crecimiento (MAE de peso: 1.47 kg frente a 2.06 kg; MAE de talla: 2.60 cm frente a 2.99 cm), validando el orden de las dos etapas.

Contribuciones Clave y Significado
El artículo identifica cuatro innovaciones principales:

Armonización Explícita: Trata la elección del estándar de referencia de crecimiento como un parámetro explícito y específico de la fuente en lugar de un supuesto oculto, lo que hace que el proceso de armonización sea auditable y reversible en análisis de sensibilidad.
Uso Priorizado de Datos: El diseño de dos etapas prioriza la información longitudinal intra-sujeto antes de recurrir a las referencias poblacionales, reflejando la mayor fiabilidad de las tendencias individuales.
Seguimiento de la Procedencia: Al etiquetar cada valor imputado por su fuente, los analistas pueden estratificar los resultados o excluir tipos específicos de imputación (por ejemplo, excluir las imputaciones de referencia de crecimiento para sujetos con cambios fisiológicos rápidos).
Accesibilidad y Reproducibilidad: El método se implementa en software base sin dependencias de paquetes, lo que reduce la barridad de reutilización y garantiza la plena reproducibilidad en datos sintéticos.

Limitaciones y Trabajo Futuro
Los autores señalan explícitamente que el método depende del supuesto de estabilidad de los percentiles dentro de un sujeto, lo cual puede no cumplirse en individuos que atraviesan cambios rápidos o patológicos. Además, el método produce predicciones de punto único; utilizarlas como datos observados en modelos de inferencia posteriores subestima la incertidumbre. Los autores establecen que los siguientes pasos necesarios son:

Aplicación a datos empíricos para validar la precisión de la recuperación en entornos del mundo real.
Propagación de la incertidumbre de la imputación en los modelos posteriores (por ejemplo, mediante imputación múltiple).
Comparación directa de estándares de referencia alternativos.

El artículo concluye que, si bien los resultados actuales se basan en datos sintéticos para demostrar el comportamiento y la reproducibilidad, el enfoque ofrece una herramienta sencilla, sin dependencias y transparente para abordar la falta de datos antropométricos en conjuntos de datos combinados.