📊 statistics

Incorporating Missing Data Considerations into Sample Size Calculations for Developing Clinical Prediction Models

Questo studio dimostra che l'assenza di dati sui predittori aumenta significativamente i requisiti di dimensione campionaria per lo sviluppo di modelli di predizione clinica stabili e ben calibrati, e propone un adattamento pratico dei calcoli della dimensione campionaria basati sulla distribuzione a posteriori per incorporare direttamente le ipotesi sui dati mancanti e le strategie di imputazione.

Autori originali: Glen P. Martin, Sian Bladon, Rebecca Whittle, Molly Wells, Gary S. Collins, Richard D. Riley

Pubblicato 2026-05-11

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Glen P. Martin, Sian Bladon, Rebecca Whittle, Molly Wells, Gary S. Collins, Richard D. Riley

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il quadro generale: perché abbiamo bisogno di più dati quando le cose mancano

Immagina di essere uno chef che cerca di creare una nuova ricetta perfetta per una zuppa (un Modello di Predizione Clinica). Per assicurarti che la zuppa abbia il sapore giusto per tutti, devi farla assaggiare a un grande gruppo di persone.

Di solito, gli statistici hanno una "regola empirica" per determinare quante persone sono necessarie per l'assaggio al fine di ottenere una ricetta affidabile. Essi presuppongono che ogni singola persona che chiedi avrà tutti gli ingredienti pronti (ad esempio, tutti hanno sale, pepe e carote).

Il problema: Nel mondo reale, le persone spesso dimenticano di portare un ingrediente. Forse qualcuno non ha le carote, o il sale manca. Questo sono i dati mancanti.

Questo documento sostiene che, se ti aspetti che manchino ingredienti, la tua vecchia "regola empirica" su quante persone far assaggiare è sbagliata. È troppo bassa. Se ti attieni al vecchio numero, la tua zuppa potrebbe avere un ottimo sapore nella tua piccola cucina di prova, ma sarà un disastro quando proverai a servirla a tutto il mondo.

La scoperta fondamentale: gli ingredienti mancanti richiedono una pentola più grande

I ricercatori hanno eseguito una massiccia simulazione (un esperimento al computer) per vedere cosa succede quando si cerca di cucinare con ingredienti mancanti.

Lo scenario "Perfetto": Se tutti portano tutti i loro ingredienti, la ricetta standard per il numero di assaggiatori funziona bene.
Lo scenario "Mancante": Quando il 20%, il 40% o addirittura il 60% degli assaggiatori mancano di ingredienti, la ricetta inizia a fallire. La zuppa diventa "sovra-adattata" (over-fitted).
- Analogia: Pensa all'"over-fitting" come alla memorizzazione di un test specifico. Se studi solo le domande esatte di un test di pratica, potresti prendere il 100% in quel test. Ma se entri nell'esame reale e le domande sono leggermente diverse (o alcune mancano), fallisci. Il modello ha imparato le "stranezze" del piccolo e disordinato set di dati piuttosto che il vero schema.

La scoperta: Per ottenere la stessa ricetta di zuppa affidabile quando mancano ingredienti, spesso sono necessari il doppio degli assaggiatori rispetto a quanto suggeriscono le regole standard.

La soluzione: una nuova "cucina di simulazione"

Il documento propone un nuovo modo per capire quante persone sono necessarie. Invece di fare solo un rapido calcolo matematico, suggeriscono di eseguire una simulazione (una prova generale) prima ancora di iniziare il tuo vero studio.

Ecco come funziona il loro nuovo metodo, passo dopo passo:

Crea un mondo finto: Prima, crei un enorme mondo computerizzato perfetto di 500.000 persone in cui sai esattamente quale dovrebbe essere la "vera" ricetta della zuppa.
Rompi il mondo: Poi, "rompi" intenzionalmente questo mondo facendo sì che alcune persone dimentichino i loro ingredienti (simulando dati mancanti).
La prova generale: Cerchi di cucinare la tua zuppa usando diverse strategie:
- Strategia A: Scarta chiunque manchi di un ingrediente (Analisi dei casi completi).
- Strategia B: Indovina l'ingrediente mancante in base a ciò che hanno portato (Imputazione).
Controlla il sapore: Assaggi la zuppa. Corrisponde alla "vera" ricetta?
Regola la dimensione della pentola: Se la zuppa ha un sapore cattivo, aumenti il numero di assaggiatori nella tua simulazione e riprovi. Continui a farlo finché non trovi il numero esatto di assaggiatori necessario per garantire che la zuppa avrà un buon sapore, anche con ingredienti mancanti.

Concetti chiave spiegati semplicemente

Overfitting (Sovra-adattamento): Immagina uno studente che memorizza le risposte a un quiz di pratica specifico. Prende un A. Ma quando arriva il vero test e manca una domanda, va nel panico e fallisce. Il modello è "sovra-adattato" perché ha imparato il rumore (le stranezze dei dati mancanti) invece del segnale (il vero schema).
Pendenza di calibrazione (Calibration Slope): Questo è un punteggio che ti dice quanto il tuo modello è "avvolto nel pellicola". Un punteggio di 1,0 è perfetto. Un punteggio inferiore a 0,9 significa che il tuo modello è troppo sicuro di sé e probabilmente sbagliato. Il documento ha scoperto che con dati mancanti, i punteggi spesso scendevano sotto 0,9 a meno che non si raddoppiasse la dimensione del campione.
Imputazione: Questo è l'atto di "indovinare" i valori mancanti. Il documento ha testato diversi modi di indovinare (come l'uso di una foresta casuale o una semplice media) e ha scoperto che, sebbene indovinare aiuti, non risolve il problema interamente: hai ancora bisogno di più dati.
EVPI (Valore Atteso dell'Informazione Perfetta): Questo è un modo elegante per chiedere: "Quanto stiamo perdendo non avendo dati perfetti?". Calcola il costo dell'incertezza. Il documento mostra che i dati mancanti aumentano questo "costo", e aggiungere più persone al tuo studio lo riduce.

Cosa dice effettivamente il documento (e cosa non dice)

Cosa hanno scoperto: I dati mancanti rendono il tuo modello meno stabile e meno accurato. Per risolvere questo problema, devi aumentare la dimensione del tuo campione, a volte di un fattore 2.
Cosa raccomandano: Non usare semplicemente le vecchie, semplici formule matematiche. Usa il loro nuovo metodo di simulazione per pianificare il tuo studio. Questo comporta fare ipotesi su come i dati vanno persi (ad esempio, è casuale, o accade a causa di altri fattori?) e testare queste ipotesi in una simulazione al computer.
Cosa non hanno fatto: Non hanno testato questo su un ospedale reale specifico in questo momento. Hanno utilizzato simulazioni al computer e due esempi ipotetici (uno in cui avevano dati vecchi per aiutarli a indovinare e uno in cui dovevano indovinare alla cieca).
L'alternativa alla "regola empirica": Se non puoi fare la simulazione complessa, suggeriscono una soluzione approssimativa: prendi il tuo numero standard di dimensione del campione e dividilo per (1 - percentuale di dati mancanti). Ad esempio, se ti aspetti il 50% di dati mancanti, hai bisogno del doppio della dimensione del campione. Tuttavia, ammettono che questo è solo un indovinello approssimativo e che la simulazione è migliore.

La conclusione

Se stai pianificando uno studio per costruire un modello di predizione medica e sai che alcuni dati saranno mancanti (il che è quasi sempre il caso), non fidarti dei calcolatori standard della dimensione del campione. Ti daranno un numero troppo piccolo.

Invece, usa questo nuovo approccio della "cucina di simulazione". Ti permette di testare diversi scenari e trovare il vero numero di persone di cui hai bisogno da reclutare per garantire che il tuo modello sia stabile, accurato e pronto per il mondo reale.

Riepilogo Tecnico: Incorporare le Considerazioni sui Dati Mancanti nei Calcoli della Dimensione Campionaria per lo Sviluppo di Modelli Predittivi Clinici

Enunciato del Problema
I modelli predittivi clinici (CPM) richiedono dataset sufficientemente grandi per minimizzare l'overfitting e garantire prestazioni predittive robuste, inclusa una calibrazione e una discriminazione accurate. I metodi esistenti per il calcolo della dimensione campionaria nello sviluppo di CPM (ad es. Riley et al., 2019; 2020) assumono implicitamente che tutti i dati dei predittori siano completamente osservati per ogni partecipante. Tuttavia, i valori mancanti dei predittori sono onnipresenti nei dati sanitari. Se i dati mancanti non vengono presi in considerazione durante la fase di progettazione, l'applicazione di calcoli standard della dimensione campionaria in forma chiusa può risultare in una dimensione campionaria effettiva insufficiente. Questa discrepanza aumenta il rischio di overfitting, di degradazione del modello (miscalibrazione, ridotta discriminazione) e di perdita di utilità clinica. Attualmente, non esiste un quadro consolidato per integrare direttamente le assunzioni sui dati mancanti e le strategie di gestione nei calcoli della dimensione campionaria per lo sviluppo di CPM.

Metodologia
Gli autori propongono un adattamento del quadro generale basato sulla simulazione per il calcolo della dimensione campionaria, originariamente sviluppato da Riley et al. (2019), che utilizza le distribuzioni posteriori attese (di campionamento). L'estensione proposta incorpora esplicitamente i meccanismi di dati mancanti e le strategie di gestione nel processo di generazione dei dati.

La procedura adattata comporta i seguenti passaggi:

Specificazione delle Assunzioni: I ricercatori devono definire il meccanismo di mancata osservazione (Completamente Mancante a Caso [MCAR], Mancante a Caso [MAR] o Non Mancante a Caso [MNAR]), i modelli attesi di mancata osservazione (quali variabili sono mancanti congiuntamente) e la proporzione attesa di dati mancanti. Queste assunzioni si applicano sia al dataset di sviluppo che alla popolazione target.
Induzione della Mancanza: Nella simulazione, i dati mancanti vengono indotti nel dataset di sviluppo (e nella popolazione target se si mira alla "prestazione pragmatica") utilizzando la specificazione condizionale completa (ad es. tramite la funzione ampute nel pacchetto R mice).
Gestione dei Dati Mancanti: La strategia di imputazione pianificata (ad es. imputazione multipla, imputazione con foresta casuale, analisi dei casi completi) viene applicata ai dati di sviluppo simulati. Il CPM viene quindi sviluppato utilizzando i dati imputati.
Valutazione: Il modello sviluppato viene valutato su una vasta popolazione target (completamente osservata o imputata, a seconda dello scenario di implementazione). Vengono calcolate le metriche di prestazione, inclusa la pendenza di calibrazione, la discriminazione e il Valore Atteso dell'Informazione Perfetta (EVPI).
Iterazione: Il processo viene ripetuto su più iterazioni (ad es. 100) per generare distribuzioni posteriori delle metriche di prestazione. La dimensione campionaria di sviluppo ( $N_{dev}$ ) viene aumentata iterativamente fino al raggiungimento degli obiettivi di prestazione desiderati (ad es. probabilità di assicurazione della pendenza di calibrazione compresa tra 0,9 e 1,1).

Per validare questo approccio, gli autori hanno condotto uno studio di simulazione seguendo il quadro ADEMP. Hanno generato 240 scenari variando le correlazioni dei predittori, la prevalenza dell'esito, i meccanismi di mancata osservazione (MAR/MNAR), le proporzioni di mancata osservazione (10%–60%) e i moltiplicatori della dimensione campionaria ( $\delta$ ) rispetto al minimo in forma chiusa. Hanno confrontato vari metodi di imputazione e approcci di modellazione (regressione logistica non penalizzata, selezionata tramite AIC e penalizzata con LASSO).

Risultati Chiave

Sottostima dei Metodi in Forma Chiusa: Quando i dataset di sviluppo contenevano valori mancanti, i calcoli standard della dimensione campionaria in forma chiusa (assumendo dati completi) hanno portato a modelli con prestazioni predittive ridotte. Nello specifico, la pendenza mediana di calibrazione è spesso scesa al di sotto del valore target di 0,9 e le probabilità di assicurazione (la probabilità di ottenere una pendenza compresa tra 0,9 e 1,1) sono diminuite significativamente (ad es. sotto 0,4 con una mancata osservazione del 40–60%).
Inflazione della Dimensione Campionaria: Per ottenere prestazioni comparabili a quelle di modelli sviluppati su dati completamente osservati, la dimensione campionaria richiesta ha spesso dovuto essere inflazionata. In scenari con alta mancata osservazione (ad es. 60%), sono state necessarie dimensioni campionarie fino al doppio del minimo in forma chiusa per ottenere pendenze di calibrazione stabili e probabilità di assicurazione adeguate.
Impatto dei Metodi di Imputazione: Sebbene diversi metodi di imputazione (ad es. imputazione multipla, foresta casuale) abbiano mostrato diversi gradi di degradazione delle prestazioni, nessuno ha mitigato completamente il rischio di overfitting alla dimensione campionaria minima standard. L'analisi dei casi completi è stata particolarmente soggetta a overfitting.
Ruolo della Penalizzazione: La penalizzazione LASSO ha migliorato la pendenza di calibrazione media attraverso gli scenari di dati mancanti, mantenendola spesso sopra 0,9 anche alla dimensione campionaria minima. Tuttavia, non ha risolto completamente l'instabilità (bassa probabilità di assicurazione) introdotta dai dati mancanti, rafforzando la necessità di aggiustamenti della dimensione campionaria.
Quantificazione dell'EVPI: Il quadro di simulazione ha permesso il calcolo del Valore Atteso dell'Informazione Perfetta (EVPI), quantificando la perdita di utilità clinica dovuta a dimensioni campionarie finite e alla mancata osservazione. L'aumento della dimensione campionaria ha ridotto il divario nell'EVPI tra i modelli sviluppati su dati imputati e quelli su dati completamente osservati.

Applicazione Pratica
Gli autori hanno illustrato il quadro attraverso due esempi:

Con Dati di Singolo Partecipante (IPD): Utilizzando il database MIMIC-III per informare le distribuzioni congiunte e i modelli di mancata osservazione. Lo studio ha dimostrato che alla dimensione campionaria minima in forma chiusa ( $N=2836$ ), le probabilità di assicurazione erano basse (<45%). Aumentare la dimensione campionaria del 50% o del 100% ha migliorato significativamente le pendenze di calibrazione e le probabilità di assicurazione.
Senza IPD: Uno scenario in cui le assunzioni sono state derivate dalla letteratura e dalla conoscenza esperta piuttosto che da dati esistenti. Sono state osservate tendenze simili, confermando che il quadro è applicabile anche quando i dati precedenti sono limitati, purché le assunzioni siano chiaramente articolate.

Significato e Affermazioni
Il documento afferma di essere la prima indagine su come le assunzioni sui dati mancanti e le strategie di gestione debbano essere incorporate nei calcoli della dimensione campionaria per lo sviluppo di CPM. Gli autori sostengono che i dati mancanti dei predittori aumentano fondamentalmente la dimensione campionaria minima necessaria per sviluppare modelli stabili, ben calibrati e clinicamente utili.

Affermano che il loro quadro adattato basato sulla simulazione fornisce un modo "principiato" per determinare le dimensioni campionarie minime che tengono conto direttamente della mancata osservazione, piuttosto che affidarsi a aggiustamenti post-hoc o ignorare il problema. Sebbene riconoscano che specificare i meccanismi di mancata osservazione possa essere impegnativo, sottolineano che tutti i calcoli della dimensione campionaria si basano su assunzioni; la chiave è renderle esplicite.

Gli autori suggeriscono con modestia che, in assenza di informazioni sufficienti per eseguire la simulazione completa, un'alternativa pragmatica è inflazionare i calcoli della dimensione campionaria in forma chiusa per un fattore di $1/(1 - \pi_{miss})$ , sebbene mantengano che l'approccio basato sulla simulazione sia preferibile. Concludono che tenere esplicitamente conto dei dati mancanti durante la fase di progettazione dello studio è essenziale per evitare studi sottopotenziati e garantire l'affidabilità dei modelli predittivi clinici.