Manejo de datos faltantes en ensayos clínicos aleatorizados longitudinales en el marco del aprendizaje dirigido bajo...

Área de la Ciencia:

• Bioestadística
• Metodología de Ensayos Clínicos
• Análisis de Datos Longitudinales

Sus antecedentes:

• Los datos faltantes son un desafío prevalente en los ensayos clínicos aleatorizados (ECA) longitudinales.
• La Estimación por Máxima Verosimilitud Dirigida (TMLE) es un método establecido para abordar datos faltantes bajo el supuesto de datos faltantes al azar (MAR).
• Los métodos existentes pueden no abordar completamente los patrones complejos de datos faltantes en EC longitudinales.

Objetivo del estudio:

• Proponer métodos estadísticos novedosos para el manejo de datos faltantes en EC longitudinales.
• Extender el marco de aprendizaje dirigido a LTMLE (Longitudinal TMLE).
• Acomodar los mecanismos de datos faltantes al azar (MAR) y faltantes no al azar (MNAR).

Principales métodos:

• Desarrollo de métodos de Estimación por Máxima Verosimilitud Dirigida Longitudinal (LTMLE).
• Aplicación de LTMLE para abordar datos MAR y MNAR en EC longitudinales.
• Validación de los métodos propuestos utilizando un conjunto de datos de ECA público del mundo real.

Principales resultados:

• Los métodos LTMLE propuestos manejan eficazmente los datos faltantes en EC longitudinales bajo los supuestos MAR y MNAR.
• Se demostró la utilidad práctica de los métodos desarrollados en un conjunto de datos de ECA público.
• Se proporcionó un marco sólido para la inferencia causal con datos faltantes en estudios longitudinales.

Conclusiones:

• El marco LTMLE desarrollado ofrece un enfoque potente para la inferencia estadística robusta en EC longitudinales con datos faltantes.
• Estos métodos mejoran la fiabilidad de la estimación del efecto del tratamiento al tratar con patrones complejos de datos faltantes.
• El estudio aporta herramientas estadísticas avanzadas para el análisis de datos de ensayos clínicos.