Comparación de múltiples métodos de imputación para abordar la falta de datos demográficos de los pacientes en los...

Área de la Ciencia:

• Vigilancia de la salud pública
• Estadísticas biológicas
• Informática de la salud

Sus antecedentes:

• Los sistemas de información de inmunización (SII) y los datos de vigilancia son cruciales para la salud pública, pero a menudo sufren la falta de datos, lo que puede sesgar las evaluaciones de la cobertura de vacunas y obstaculizar los esfuerzos para abordar las disparidades de salud.
• La evaluación precisa de la cobertura de vacunas es esencial para la programación y las intervenciones eficaces en materia de salud pública, especialmente cuando se pretende reducir las desigualdades.

Objetivo del estudio:

• Evaluar el rendimiento de tres métodos de imputación múltiple MICE, Iterative-Imputer y miceforest en el manejo de datos de raza y etnia faltantes dentro de conjuntos de datos de vigilancia de salud pública a gran escala.
• Comparar estos métodos de imputación basados en su capacidad para preservar las distribuciones demográficas, la eficiencia computacional y su impacto en la evaluación de la asociación entre la raza / etnia y el estado de vacunación contra la gripe.

Principales métodos:

• Un estudio de cohorte retrospectivo analizó la vacunación contra la gripe y los datos demográficos de 2021-2022 del Sistema de Información de Inmunización de Virginia Occidental (N=2,302,036), con una ausencia significativa en raza (15%) y etnia (34%).
• Se aplicaron tres técnicas de imputación múltiple (MICE, Iterative-Imputer, miceforest) para generar 15 conjuntos de datos imputados cada uno.
• El rendimiento se evaluó comparando la preservación de la distribución demográfica, la eficiencia computacional y los patrones de agrupación espacial utilizando estadísticas G y estadísticas de relación de probabilidad.

Principales resultados:

• Todos los métodos de imputación mostraron un agrupamiento espacial significativo para la imputación de la raza. MICE y miceforest demostraron una conservación superior de las distribuciones proporcionales demográficas en comparación con Iterative-Imputer.
• La eficiencia computacional varió significativamente: MICE tomó 14 horas, Iterative-Imputer 2 minutos y miceforest 10 minutos para 15 imputaciones.
• El análisis posterior a la imputación reveló reducciones en las tasas de cobertura de vacunación contra la gripe estratificada (0,87% - 18%) y una disminución general del 26% al 19%, lo que pone de relieve el impacto de los datos faltantes en las estimaciones.

Conclusiones:

• MICE y miceforest proporcionan métodos confiables para imputar datos demográficos que faltan, mitigando el sesgo de manera más efectiva que Iterative-Imputer. Miceforest ofrece una mayor eficiencia computacional, especialmente para grandes conjuntos de datos, a través del procesamiento basado en la nube.
• La elección del método de imputación tiene un impacto significativo en los resultados de la investigación, lo que subraya la necesidad de una selección cuidadosa.
• La disminución sustancial de la cobertura de vacunación estimada hace hincapié en cómo los datos faltantes pueden ocultar las disparidades reales. Se recomienda la aplicación regular de métodos de imputación para mejorar las evaluaciones de equidad en salud y orientar las intervenciones de salud pública específicas.