Component over Composite: Mitigating Type I Error Inflation when Imputing "Days Alive and at Home"
本文通过模拟证明，在临床试验中，对“存活且居家天数”复合结局的各个组成部分进行插补，而非对复合结局本身进行插补，能有效减轻Ⅰ类错误膨胀并保留统计效力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试测量一名患者在重大手术后“存活且居家的天数”。我们将此分数称为DAH（Days Alive and at Home，存活且居家天数）。这有点像电子游戏分数，统计你安全舒适的天数，但一旦死亡或必须重返医院，分数就会归零。
要计算这个分数，你需要三方面的信息：
- 患者手术后立即住院的时间长度。
- 如果他们后来不得不重返医院（再入院），住院的时间长度。
- 他们是否仍然存活。
问题：拼图缺失的碎片
在现实生活中，获取所有这些数据颇具挑战性。医院通常对首次住院和死亡情况拥有完美的记录。但追踪患者出院后的去向（例如检查他们自己填写的日记）则更为困难。有时患者会忘记写日记，或者停止回应。
这就造成了“缺失碎片”的问题。如果患者缺失了日记中的哪怕一天，旧的处理方式是将他们的整个分数作废。这就像说：“因为你忘了写下周二午餐吃了什么，所以我们无法计算你整周的饮食。”这浪费了大量有用信息。
另一种解决方式是使用计算机程序来“猜测”（插补）缺失的天数。然而，该论文警告称，如果试图直接猜测总分数，计算机可能会陷入混乱。
实验：测试不同的猜测策略
作者基于名为NOTACS的真实心脏手术研究，运行了一次大规模的计算机模拟（类似于虚拟试验）。他们创建了 10,000 个包含不同缺失数据量的虚构场景，以观察哪种方法效果最佳。
他们测试了两种主要方法：
- “全有或全无”猜测（复合层面）：计算机查看最终分数。如果缺失了一部分，它会根据患者的年龄、性别等猜测整个分数。
- “分块”猜测（组件层面）：计算机分别猜测缺失的部分。它利用已知的住院时长来辅助猜测缺失的日记天数，然后将它们相加得出最终分数。
重大发现：关于“预测均值匹配”的警告
论文发现第一种方法（猜测整个分数）存在特定危险。当计算机使用一种名为**预测均值匹配（PMM）**的流行技术来猜测缺失分数时，开始产生严重的错误。
类比：想象一位老师在批改试卷。如果学生漏掉了一道题，老师试图根据学生的年龄来猜测整张试卷的分数。如果老师仅仅因为数学运算的机制，就猜测漏题的学生实际上得了满分（或零分），那么班级的平均分就会变得虚假。
在模拟中，这种“全有或全无”的猜测方法导致I 类错误急剧上升。
- 什么是 I 类错误？ 这是一种“误报”。即研究得出结论认为新疗法有效，而实际上它毫无作用。
- 结果：当 25% 的数据缺失时，这种糟糕的方法导致误报发生的概率高达32%（而非安全的 5% 上限）。这就像每次烤面包时烟雾报警器都会响起，让你误以为着火了，而实际上并没有。
解决方案：一块砖一块砖地构建分数
论文推荐第二种方法：分别猜测各个部分。
类比：与其猜测建筑物的最终高度，不如测量地基（这部分你完全掌握），然后逐一猜测缺失楼层的高度，最后将它们相加。因为你利用坚实的地基（已知的住院时长）来辅助猜测缺失的楼层，最终结果要准确得多。
这种“分块”方法将误报率保持在低位（约 5%），并使研究最有可能发现治疗之间的真实差异。
研究结果总结
- 不要丢弃数据：如果患者漏掉了几条日记条目，不要删除他们的整个记录。利用你确实拥有的数据。
- 不要直接猜测总分：试图使用某些计算机方法一次性直接猜测最终的“存活且居家天数”数值，会导致错误的结论。
- 要猜测各个部分：利用已知的住院时长作为指导，分别猜测缺失的住院天数，然后计算最终分数，这样更安全、更准确。
作者得出结论，对于这种特定类型的医疗结果，“分块”方法是处理缺失数据的唯一安全途径，不会误导研究认为某种疗法有效而实际上并非如此。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。