📊 statistics

Application of Propensity Score Methods to Address Missing Data in a Trial on the Effect of Energy Protein Supplementation Among Pulmonary TB-HIV Patients in Mwanza, Tanzania

本研究评估了倾向评分逆概率加权（PS-IPW）和多重插补（MI）在处理坦桑尼亚一项肺结核-艾滋病联合补充治疗试验中单调缺失数据时相对于完全病例分析的表现，发现虽然这两种先进方法在偏差和效率方面均优于传统分析，但均未显示出具有统计学意义的治疗效应。

原作者： Auson B. Magige, Benson Kidenya, Jeremiah Kidola, Eveline Konje, Jim Todd, Farida Iddi Mkassy, Neema Mosha

发布于 2026-06-28

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Auson B. Magige, Benson Kidenya, Jeremiah Kidola, Eveline Konje, Jim Todd, Farida Iddi Mkassy, Neema Mosha

原始论文采用 CC BY 4.0 许可（https://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

大局观：一个缺失拼图的营养实验

想象一下，一群在坦桑尼亚姆万扎（Mwanza）的研究人员，正试图弄清楚给同时患有结核病（TB）和艾滋病毒（HIV）的患者提供额外的“能量-蛋白质”饼干，是否能帮助他们变得更强壮并增加体重。

他们设计了一个公平的测试（临床试验），共有 354 名患者参与。一半的人每天得到一份营养丰富的零食（干预组），另一半人则得到一小块普通的饼干（对照组）。他们在开始时、两个月后以及五个月后分别检查了患者的体重、手臂围度和手部力量。

问题所在：
就像一场音乐椅游戏，有些人在音乐停止前就离开了房间，许多患者在研究结束前就退出了研究。到第五个月时，大约有 19% 的参与者失踪了。这给研究人员留下了一个难题：当很大一部分拼图碎片丢失时，你该如何计算最终结果？

如果你直接忽略这些失踪的人（这种方法被称为完全病例分析或 CCA），你看到的图像可能会发生扭曲。也许退出的人是感觉最糟糕的人，或者也许他们是感觉最好的人。如果你不考虑这一点，你的结论可能会出错。

用于修复缺失部分的三种工具

为了解决这个“缺失拼图”的问题，研究人员尝试了三种不同的数学工具，以观察哪一个能给出最诚实的答案。

1. “忽略缺失”法（完全病例分析 - CCA）

类比： 想象你正在裁判一场比赛，但 20 名跑者在中途退赛了。这种方法说：“我们只统计那些跑完全程的跑者。”
缺陷： 如果退赛的是跑得最慢的人，你可能会认为这场比赛比实际情况更快；如果退赛的是跑得最快的人，你可能会认为它更慢。这是有风险的，因为它假设缺失的人和留下的人是一样的。

2. “填补空白”法（多重插补 - MI）

类比： 想象你有一个单词缺失的填字游戏。与其留白，不如根据你已有的单词线索，做出最好的猜测来填满空缺。你会这样做很多次（20 次！）并使用略微不同的猜测，以观察答案会如何变化。
逻辑： 这种方法假设如果我们知道一个人的年龄、职业以及开始时的身体状况，我们就可以对他们结束时的体重做出聪明的猜测。它根据在现有数据中观察到的模式来填补缺失的数据。

3. “加权比例”法（倾向评分逆概率加权 - PS-IPW）

类比： 想象你在称一袋苹果的重量，但有些苹果丢了。与其猜测丢失的苹果有多重，不如观察你现有的苹果。如果你注意到现有的苹果大多是小的，那么你就给这些小的苹果在秤上增加“额外重量”，以代表那些丢失的大苹果。
逻辑： 这种方法计算一个人因背景因素而退出的“概率”。如果一个具有特定特征（例如：体重较低的农民）的人很可能退出，研究人员就会给予那些留下的少数农民的数据更多的重要性（权重），以代表那些离开的人。

他们发现了什么？

在用所有三种方法运行数据后，结果出奇地一致：

没有“灵丹妙药”： 无论是忽略缺失的人，还是填补空白，或是使用加权比例，答案都是一样的：特殊的能量-蛋白质饼干并未显著帮助患者增加体重、增加手臂肌肉或增强体质，与普通饼干相比并没有明显差异。
“缺失”的模式： 研究人员发现，数据的缺失并不是随机的（比如人们只是忘了出现）。它遵循一定的模式：在结束时缺失的人，往往与早期缺失的人相似。这证实了“填补空白”（MI）和“加权比例”（PS-IPW）是正确的工具，因为它们比单纯忽略缺失的人更能处理这些特定的模式。
一线希望： 虽然体重和手臂围度变化不大，但有一个细微且一致的趋势：摄入大份饼干组的手部力量有轻微改善。然而，这种改善还不足以被称为“统计学上的胜利”（这可能是运气使然）。

结论

研究结论认为，对于坦桑尼亚的这些特定患者来说，短期的能量-蛋白质零食补充并没能让他们在身体恢复方面产生巨大的影响。

科学界的大教训：
最重要的收获不仅仅是关于饼干，而是关于如何处理缺失数据。研究人员表明，忽略缺失的人（CCA）是有风险的。使用更聪明的方法，如填补空白（MI）或对剩余数据进行加权（PS-IPW），可以提供更准确、更公平的图景，即使最终的答案是“治疗无效”。

简而言之：饼干没起作用，但用来得出这一结论的数学方法是稳健且可靠的。

技术摘要：应用倾向评分法处理 PTB-HIV 患者能量-蛋白质补充剂临床试验中的缺失数据

问题陈述
缺失数据是临床研究中普遍存在的挑战，特别是在患者流失率较高的资源受限地区，例如涉及肺结核（PTB）和艾滋病病毒（HIV）共感染患者的试验。在针对坦桑尼亚姆万扎开展的一项评估能量-蛋白质补充剂的随机对照试验（RCT）的具体背景下，两个月时的流失率达到 12.2%，五个月时达到 19.1%。处理缺失数据的传统方法，如完全病例分析（CCA）或单次插补技术（例如最后一次观测值结转法/LOCF），通常依赖于某些假设（如完全随机缺失，MCAR），而这些假设在现实世界的临床场景中很少成立。当这些假设被违反时，治疗效应的估计可能会产生偏差，从而损害试验的内部有效性。虽然多重插补（MI）和倾向评分（PS）方法（特别是逆概率加权法，IPW）提供了更稳健的替代方案，但仍需对在高流失率且疑似存在非随机缺失（MNAR）机制的临床试验中，其表现进行实证比较。

研究方法
本研究对一项已发表的随机对照试验进行了二次数据分析，该试验涉及 354 名随机接受能量-蛋白质补充剂（干预组）或对照补充剂（对照组）的 PTB-HIV 共感染参与者。研究旨在评估补充剂对 2 个月和 5 个月时体重、手臂围和握力强度的影响。

分析过程分为三个截然不同的阶段：

缺失数据特征化： 使用 Little's MCAR 检验和二元逻辑回归评估缺失的模式和机制。将缺失指标对基线协变量和先前的结局值进行回归，以确定数据属于完全随机缺失（MCAR）、随机缺失（MAR）还是非随机缺失（MNAR）。
处理方法的比较分析： 对数据集应用了三种不同的分析策略：
- 完全病例分析 (CCA)： 一个假设为 MCAR 的线性回归模型，排除任何具有缺失结局数据的参与者。
- 多重插补 (MI)： 利用基于链式方程的多重插补（MICE），进行 20 次插补并采用预测均值匹配，假设为随机缺失（MAR）机制。
- 倾向评分逆概率加权 (PS-IPW)： 通过逻辑回归估算观测到数据的概率（倾向评分），基于基线协变量生成稳定权重，并将其应用于加权回归模型，以纠正观测结局者与无观测结局者之间的系统性差异。
性能评估与敏感性分析： 使用均方误差（MSE）、偏差（Bias）和相对效率（RE）将 PS-IPW 和 MI 的有效性与 CCA 进行比较。为了评估针对违反 MAR 假设情况的稳健性，研究采用了模式混合模型在 MNAR 情景下进行敏感性分析，通过应用 delta 值（0, -0.5, -1, -2）来模拟逐渐恶化的未观测结局。

主要结果

缺失数据机制： 缺失数据呈现单调模式，并随时间增加。统计检验拒绝了 MCAR 假设（ $p < 0.001$ ）。逻辑回归表明，5 个月时的缺失与 2 个月时的数值相关，支持了 MAR 机制，且没有明显的 MNAR 证据。
治疗效应： 在所有三种方法（CCA、MI 和 PS-IPW）中，能量-蛋白质补充剂在 2 个月和 5 个月时对体重、手臂围或握力强度均未显示出统计学上的显著效应。
- 在 5 个月时，CCA 显示体重减少了 0.75 kg（ $p=0.145$ ）。
- MI 估计体重下降了 0.78 kg（ $p=0.107$ ）。
- PS-IPW 估计体重下降了 0.70 kg（ $p=0.181$ ）。
- 对于手臂围和握力强度，也观察到了类似的非显著趋势，尽管握力在不同方法间显示出一致的正向效应方向。
方法论表现：
- 偏差与效率： 在偏差减少和效率方面，MI 和 PS-IPW 通常优于 CCA。MI 在大多数结局指标上表现出更高的相对效率（较低的 MSE），而 PS-IPW 在特定结局（如体重和握力）方面提供了更稳定的偏差控制。
- 敏感性： MNAR 敏感性分析显示，在轻度到中度偏离 MAR 的情况下，结果保持稳定，这增强了主要发现的稳健性。

意义与主张
本文声称，虽然特定的干预措施（短期能量-蛋白质补充）在该环境下并未对所测量的解剖学和功能性结局产生统计学上的显著改善，但其方法论路径为临床试验分析提供了关键见解。

验证稳健方法： 研究表明，在高流失率试验中，稳健的缺失数据处理策略（MI 和 PS-IPW）优于传统的 CCA。这些方法能减少偏差并提高精确度，确保结论不会因排除不完整病例而产生扭曲。
结论的一致性： CCA、MI 和 PS-IPW 结果的一致性表明，缺乏显著治疗效应是一个真实的发现，而非缺失数据处理产生的伪影。效应估计值的相似性表明，缺失数据并未实质性地使主要结论产生偏差。
背景相关性： 研究结果符合更广泛的证据，即在 TB-HIV 人群中，单纯的营养支持可能产生有限或混合的效果，这可能是由于干预持续时间较短或持续存在的分解代谢压力所致。
方法论贡献： 通过在现实世界的临床试验背景下对 PS-IPW 和 MI 进行实证比较，本研究强调了超越 CCA 的重要性。它指出，虽然 MI 可能提供更高的效率，但 PS-IPW 提供了宝贵的偏差控制，提倡使用互补的方法以确保全球健康研究中结论的有效性。

作者总结认为，未来针对该人群的研究应纳入长期干预措施和综合社会支持，同时严格遵守稳健的统计计划来处理缺失数据，以维护临床试验结果的完整性。