📊 statistics

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

Cette étude de simulation évalue une méthode reproductible en deux étapes pour imputer les données longitudinales manquantes de poids et de taille, combinant l'interpolation linéaire intra-sujet avec une estimation basée sur des références de croissance, démontrant une grande précision et la capacité de gérer et d'auditer explicitement des normes de référence divergentes entre les sources de données.

Auteurs originaux : Flavia Alves

Publié 2026-06-10

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Flavia Alves

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de reconstruire le film de la croissance d'un enfant, mais que la bobine est endommagée. Certaines images sont manquantes (données manquantes) et, pire encore, certaines scènes ont été filmées avec deux types de caméras différents qui enregistrent la couleur légèrement différemment (différentes normes de croissance comme l'OMS vs le CDC). Si vous vous contentez de deviner les parties manquantes ou si vous ignorez les différences entre les caméras, votre film final sera flou ou déformé.

Ce document présente une méthode de « restauration de film » simple en deux étapes pour corriger ces mesures de croissance manquantes (poids et taille) tout en conservant un enregistrement clair de la manière dont chaque pièce du puzzle a été trouvée.

Voici comment fonctionne la méthode, en utilisant des analogies de la vie quotidienne :

Le Problème : Images Manquantes et Caméras Mixtes

Dans la recherche sur la santé, nous suivons le poids et la taille des personnes au fil du temps. Souvent, les gens manquent des rendez-vous, laissant des lacunes dans les données. De plus, certaines études utilisent les courbes de croissance de l'OMS (comme une « caméra européenne ») et d'autres utilisent les courbes du CDC (comme une « caméra américaine »). Même si un enfant a la même taille, ces deux graphiques peuvent indiquer qu'il se situe à un « percentile » différent (un classement par rapport aux autres enfants). Si vous mélangez ces ensembles de données sans le remarquer, vous introduisez une erreur cachée, comme essayer de monter un film où l'éclairage change aléatoirement d'une scène à l'autre.

La Solution : Un Processus de Restauration en Deux Étapes

Les auteurs proposent une méthode en « deux étapes » pour combler les vides, en donnant la priorité à ce que nous savons de la personne spécifique avant de deviner en se basant sur la population générale.

Étape 1 : La Méthode « Relier les Points » (Interpolation Intra-Sujet)

L'Analogie : Imaginez que vous avez une photo d'un enfant à 5 ans et une autre à 7 ans, mais que la photo pour l'âge de 6 ans est manquante. La supposition la plus simple et la plus logique est de tracer une ligne droite entre la photo de 5 ans et celle de 7 ans. Vous supposez que l'enfant a grandi régulièrement entre les deux.
Ce que fait le document : Si une personne a des mesures avant et après une visite manquante, l'ordinateur trace simplement une ligne droite entre elles pour combler l'écart. Il utilise uniquement les données de cette personne spécifique. C'est la façon la plus précise de combler un écart car cela respecte le mode de croissance propre à cet enfant.

Étape 2 : La Méthode de la « Courbe de Croissance » (Imputation de Centile LMS)

L'Analogie : Et si vous n'avez aucune photo pour une certaine année, ou si l'enfant n'a qu'une seule photo ? Vous ne pouvez pas tracer de ligne. Au lieu de cela, vous regardez une « courbe de croissance » standard (comme les graphiques de l'OMS ou du CDC). Vous trouvez où cet enfant se situe habituellement sur le graphique (par exemple, au 50e percentile, ce qui signifie qu'il est de taille moyenne), et vous supposez qu'il est resté sur cette même « trajectoire » jusqu'à la prochaine fois que vous l'avez vu.
Ce que fait le document : Si l'étape 1 ne peut pas combler un écart, la méthode utilise les mesures connues de l'enfant pour déterminer sa « trajectoire de croissance » (centile). Elle suppose ensuite que l'enfant est resté sur cette trajectoire et calcule quel devrait être son poids/sa taille au moment manquant, en utilisant la courbe de croissance spécifique (OMS ou CDC) utilisée par la source de données d'origine.
Le « Twist » du Paramètre Explicite : Crucialement, cette méthode force le chercheur à dire : « J'utilise le graphique de l'OMS pour la Source A et le graphique du CDC pour la Source B. » Elle ne cache pas ce choix. Elle enregistre exactement quelle « caméra » a été utilisée pour chaque supposition.

L'Étiquette de « Provenance » : Le Reçu pour Chaque Estimation

Le document souligne que chaque nombre dans l'ensemble de données final reçoit une « étiquette » ou un reçu :

Observé : Nous avons réellement mesuré ceci.
Interpolé : Nous avons relié les points (Étape 1).
Référence de Croissance : Nous avons deviné en fonction du graphique (Étape 2).

Cela est vital car si un chercheur veut être extrêmement prudent, il peut dire : « Je ne ferai confiance qu'aux chiffres "Observés" et "Interpolés", et j'ignorerai les estimations de "Référence de Croissance" », ou il peut les analyser séparément pour voir si les « suppositions » modifient les résultats.

Les Résultats : Quelle est la Qualité de la Restauration ?

Les auteurs ont testé cette méthode en utilisant des données synthétiques (des données fictives générées par ordinateur qui ressemblent à de réelles études de croissance). Ils ont délibérément caché 20 % des nombres connus et ont tenté de les deviner à nouveau.

Le Résultat : La méthode a réussi à combler 100 % des lacunes.
La Précision : Les suppositions étaient très proches de la vérité. Pour le poids, l'erreur moyenne était d'environ 1,78 kg (environ 3,5 % d'écart). Pour la taille, l'erreur était d'environ 2,84 cm (2 % d'écart).
Le Verdict : Comme prévu, les suppositions de type « Relier les Points » (Étape 1) étaient plus précises que les suppositions de type « Courbe de Croissance » (Étape 2). Cela prouve que l'ordre des deux étapes (essayer de relier les points d'abord, utiliser les graphiques uniquement si nécessaire) est la bonne approche.

Limites Importantes (Ce que le Document Indique)

Le document est très honnête sur ce qu'il ne fait pas encore :

C'est une « Estimation Unique » : La méthode donne une seule meilleure estimation pour un nombre manquant. Elle ne calcule pas l'« incertitude » ou la plage de possibilités. Si vous utilisez ces estimations dans une étude médicale finale, vous pourriez accidentellement penser que vous en savez plus que vous ne le savez réellement.
L'Hypothèse de « Stabilité » : L'étape 2 suppose qu'un enfant reste sur la même trajectoire de croissance. Si un enfant subit une maladie soudaine ou une poussée de croissance qui change radicalement son percentile, cette méthode pourrait ne pas détecter ce changement. Cependant, grâce aux « étiquettes », les chercheurs peuvent repérer ces suppositions et les traiter avec prudence.
Uniquement Synthétique : Ces résultats sont basés sur des simulations informatiques, pas sur de vrais patients. La méthode fonctionne parfaitement dans la simulation, mais elle doit être testée sur des données réelles et désordonnées avant d'être utilisée pour des conclusions médicales sérieuses.

Résumé

Ce document propose un outil simple et transparent pour corriger les données de croissance manquantes. Il donne la priorité à l'historique propre d'une personne, puis se rabat sur les courbes de croissance standard si nécessaire, tout en annonçant clairement quelle « norme » a été utilisée pour chaque calcul. C'est une façon de s'assurer que, lorsque nous combinons des données provenant de différentes sources, nous ne mélangeons pas accidentellement des pommes et des oranges sans le savoir.

Résumé technique : Imputation à deux étapes des données anthropométriques longitudinales

Énoncé du problème
Les ensembles de données de santé longitudinaux souffrent fréquemment de données manquantes pour le poids et la taille en raison de collectes non standardisées ou d'évaluations manquées. Le traitement naïf de ces données manquantes (par exemple, l'analyse par cas complets) peut introduire un biais. De plus, la combinaison de données provenant de différentes sources implique souvent l'indexation des mesures par rapport à des normes de croissance disparates (par exemple, OMS vs CDC). Étant donné que ces normes attribuent des centiles différents à une même mesure physique, leur combinaison sans harmonisation explicite introduit des différences systématiques, souvent non déclarées. L'imputation chez les individus en croissance est particulièrement complexe car les valeurs plausibles dépendent conjointement de l'âge et du sexe, ce qui exclut une imputation à partir d'une distribution fixe unique.

Méthodologie
Le document propose une méthode d'imputation reproductible à deux étapes, implémentée dans un logiciel statistique de base (R) sans dépendances à des packages externes. Le processus est conçu pour donner la priorité aux données longitudinales individuelles avant de recourir aux références de la population, tout en traçant explicitement la source de chaque valeur.

Étape 1 : Interpolation linéaire intra-sujet
Pour chaque sujet, les valeurs observées sont ordonnées par date de visite. Les valeurs intérieures manquantes (écarts entre deux mesures observées) sont complétées par interpolation linéaire. Aucune extrapolation n'est effectuée ; les valeurs précédant la première ou suivant la dernière observation restent manquantes pour l'étape 2. Cette étape repose uniquement sur les propres données du sujet.
Étape 2 : Imputation par centile de croissance (LMS)
Les valeurs manquantes restantes sont imputées via des références de croissance spécifiques à l'âge et au sexe via la méthode LMS (qui modélise l'asymétrie $L$ , la médiane $M$ et le coefficient de variation $S$ ).

Pour les mesures observées, le score de déviation standard ( $z$ ) de la méthode LMS et le centile correspondant sont calculés.
Ces centiles sont reportés en avant et en arrière à travers les visites pour le sujet, en supposant une stabilité approximative des centiles au fil du temps.
Si un sujet n'a aucune valeur observée pour une mesure, le 50e centile est attribué par défaut.
La valeur de mesure attendue est dérivée en lisant la courbe de référence à l'âge et au sexe de la visite spécifique.
Différentes tables de référence peuvent être fournies par source de données (par exemple, de type OMS pour une source, de type CDC pour une autre), faisant de la norme un paramètre explicite et auditable.

Prétraitement et provenance
Avant l'imputation, les valeurs implausibles sont signalées à l'aide de scores $z$ robustes par tranches d'âge et sont marquées comme manquantes si elles dépassent un seuil configurable (par défaut : score $z$ robuste absolu > 3). Chaque valeur finale est étiquetée selon sa provenance : Observée, Interpolée (Étape 1) ou Référence de croissance (Étape 2). Cet étiquetage permet une stratification ou une analyse de sensibilité en aval.

Évaluation et résultats
La méthode a été évaluée à l'aide d'un ensemble de données synthétiques ( $n=60$ sujets, 288 visites) présentant un taux de données manquantes de 30 % et quatre valeurs aberrantes grossières. Un design de type « masque et récupération » a été utilisé, où 20 % des valeurs observées ont été masquées et ré-imputées pour évaluer la précision.

Complétude : La méthode a atteint une complétude des données de 100 %.
Précision : L'erreur absolue moyenne (MAE) pour le poids récupéré était de 1,78 kg (MAPE de 3,5 %), et pour la taille, de 2,84 cm (MAPE de 2,0 %). Le biais était négligeable (−0,07 kg pour le poids ; +0,17 cm pour la taille).
Comparaison des étapes : Comme supposé, les valeurs récupérées via l'interpolation intra-sujet étaient plus précises que celles dérivées des références de croissance (MAE du poids : 1,47 kg contre 2,06 kg ; MAE de la taille : 2,60 cm contre 2,99 cm), validant ainsi l'ordre des deux étapes.

Contributions clés et importance
Le document identifie quatre innovations principales :

Harmonisation explicite : Il traite le choix de la norme de référence de croissance comme un paramètre explicite et spécifique à la source plutôt que comme une hypothèse cachée, rendant le processus d'harmonisation auditable et réversible dans les analyses de sensibilité.
Priorisation de l'utilisation des données : La conception à deux étapes donne la priorité aux informations longitudinales intra-sujet avant de recourir aux références de la population, reflétant la plus grande fiabilité des tendances individuelles.
Traçabilité de la provenance : En étiquetant chaque valeur imputée par sa source, les analystes peuvent stratifier les résultats ou exclure certains types d'imputation (par exemple, exclure les imputations par référence de croissance pour les sujets présentant des changements physiologiques rapides).
Accessibilité et reproductibilité : La méthode est implémentée dans un logiciel de base sans dépendances à des packages, ce qui réduit la barrière à la réutilisation et garantit une reproductibilité totale sur des données synthétiques.

Limites et travaux futurs
Les auteurs notent explicitement que la méthode repose sur l'hypothèse de la stabilité des centiles chez un sujet, ce qui peut ne pas être le cas pour les individus subissant des changements rapides ou pathologiques. De plus, la méthode produit des prédictions ponctuelles uniques ; les utiliser comme données observées dans des modèles inférentiels en aval sous-estime l'incertitude. Les auteurs indiquent que les prochaines étapes nécessaires sont :

L'application à des données empiriques pour valider la précision de la récupération dans des contextes réels.
La propagation de l'incertitude d'imputation dans les modèles en aval (par exemple, via l'imputation multiple).
La comparaison directe de différentes normes de référence.

Le document conclut que, bien que les résultats actuels soient basés sur des données synthétiques pour démontrer le comportement et la reproductibilité, l'approche offre un outil simple, sans dépendance et transparent pour traiter les données anthropométriques manquantes dans les ensembles de données combinés.