Pattern-Based Sequential Multiple Imputation for Missing Data in Clinical Trials: An Extension for Baseline-Only Early Dropout Subjects
本文提出并验证了扩展模式化序列多重插补法（EPSMI），特别是 EPSMI-Y1 策略，将其作为在 ICH E9 (R1) 治疗政策框架下处理临床试验中仅含基线数据的早期脱落的一种稳健方法，证明了在脱落具有信息性时，该方法与现有方法相比具有更优越的偏差减少能力和覆盖率。
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
在临床试验领域，研究人员不断试图衡量一种新药与安慰剂相比的效果如何。为了获得清晰的答案，他们会对患者进行长期随访，定期检查其健康状况。然而，生活是不可预测的。患者可能会停止服用研究药物，或者在研究结束前完全退出试验。有些人是因为副作用离开，有些人是因为感觉好转，还有些人是因为与药物完全无关的原因。当患者离开时，他们的数据就会中断，从而在记录中留下空白。几十年来，统计学家一直在努力研究如何在不扭曲最终结果的情况下填补这些空白。目标是了解治疗对整个开始试验的人群的真实影响，而不仅仅是那些幸运地坚持到最后的人。如果研究人员简单地忽略那些提前离开的人，可能会无意中使结果产生偏差，让药物看起来比实际效果更好或更差。
一种被称为“治疗政策”（treatment policy）的现代方法已成为处理这些中断的标准。它提出了一个简单的问题：无论患者是否继续服药，其健康状况会发生怎样的变化？为了回答这个问题，统计学家使用了一种称为“多重插补”（multiple imputation）的技术。想象一下，在只读了前几章的情况下，尝试猜测故事的后续发展。与其只进行一次猜测，不如根据已知的人物特征创造许多种可能的结局，然后通过平均这些结局来获得可靠的预测。当患者在研究开始后至少进行过一次随访检查时，这种方法效果很好。但有一个特定的、棘手的难题破坏了这个系统：“基线后即刻脱落”（baseline-only dropout）。这些人报名参加了研究，接受了第一次检查，然后在任何随访数据收集之前就消失了。由于他们没有任何随访数据，标准的统计工具无法弄清楚他们何时离开或为何离开，导致他们在分析中处于失联状态。
这正是陈张（Chen Zhang）及其团队致力于解决的谜题。他们专注于原发性干燥综合征（一种慢性自身免疫性疾病）的临床试验，在这种疾病中，患者需要被追踪数月之久。在这些试验中，有相当一部分患者在第一次随访访问前就退出了，通常是由于撤回知情同意或其他物流/流程问题。团队意识到，现有的旨在处理缺失数据的统计模型根本无法处理这些患者，除非将他们从研究中剔除。剔除他们是有风险的，因为这改变了正在研究的群体，可能导致结果产生偏差。为了解决这个问题，研究人员开发了一种名为“扩展模式化序列多重插补”（Extended Pattern-based Sequential Multiple Imputation）的新方法。其核心思想是借鉴那些留在研究中的相似患者的信息。对于每一个在第一次检查后消失的患者，团队会在同一个治疗组中寻找一位在年龄、病史和其他因素方面与该患者非常相似、且提供了随访数据的“捐赠者”患者。
研究人员测试了两种使用这些借鉴信息的方法。第一种方法被称为“全量捐赠者”（Full Donor）策略，它会将捐赠患者的整个未来轨迹复制到缺失的患者身上。就好像缺失的患者获得了一份其“孪生兄弟”经历的精确剧本，从第二次访问一直到结束。第二种方法被称为“Y1 捐赠者”（Y1 Donor），它更加谨慎。它仅复制捐赠者的下一次随访检查。对于此后的所有访问，统计模型会利用整个研究的宏观模式来填补空白，而不是仅仅依赖于单一的借鉴故事。团队基于现实世界的试验数据进行了数千次计算机模拟，以观察哪种方法表现最好。他们创建了具有不同脱落原因的虚拟患者，有些是随机的，有些则与病情严重程度相关，以观察这些方法在压力下的表现。
结果是明确且决定性的。“全量捐赠者”策略虽然直观，但被证明是不可靠的。通过复制单个捐赠者的完整轨迹，它创造了一种虚假的确定感。统计模型认为它确切知道这些缺失患者发生了什么，导致置信区间过窄，且结果往往存在偏差，尤其是在脱落原因与患者健康状况相关时。这就像是假设因为两个人的外貌相似，他们的生活经历也会完全一致，从而忽略了现实生活的随机性。相比之下，“Y1 捐赠者”策略表现得非常出色。通过仅借鉴第一次随访并让模型处理剩余部分，它保持了健康的确定性水平。这种方法保持了结果的准确性和统计置信度的诚实，即使在缺失数据非常棘手的情况下也是如此。
研究发现，使用“Y1 捐赠者”方法可以让研究人员在分析中保留每一位患者，包括那些在第一次访问后就离开的人。这对于维护原始研究群体的完整性至关重要。如果你排除那些提前离开的人，你研究的群体可能与你原本想要治疗的群体有着本质的区别。这种新方法确保了最终答案反映的是整个人群的治疗政策，而不仅仅是一个选定的子集。虽然“全量捐赠者”方法过于冒险而不适合作为主要的数据分析方式，但研究人员建议它仍可作为一种辅助检查，用于验证结果在不同假设下是否依然成立。最终，这项工作为临床试验提供了一个实用的工具，确保那些早期脱落的患者的声音不会被淹没，并确保从这些救命研究中得出的结论尽可能准确且具有包容性。
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。