Tenga en cuenta la brecha: abordar el tiempo de la persona desaparecida al estimar la incidencia del resultado en los...

Área de la Ciencia:

• La bioestadística es la bioestadística.
• Epidemiología La epidemiología.
• Análisis de datos longitudinales Análisis de datos longitudinales

Sus antecedentes:

• Los estudios longitudinales a menudo encuentran datos faltantes debido a visitas perdidas o abandono del participante.
• Estas brechas de datos complican la estimación precisa de la incidencia de los resultados.
• Comprender y abordar estas brechas es vital para obtener resultados de investigación confiables.

Objetivo del estudio:

• Para explorar los fundamentos de las brechas de datos en conjuntos de datos longitudinales.
• Para comparar diferentes métodos para el manejo de datos faltantes al estimar la incidencia de resultados.
• Evaluar el sesgo y la precisión de varios enfoques bajo diferentes mecanismos de ausencia.

Principales métodos:

• Se llevó a cabo un estudio de simulación que involucró a 1000 individuos en 10 visitas.
• Se utilizaron cuatro mecanismos de generación de datos, variando la relación entre la ausencia y el resultado.
• Se compararon los métodos crudos de probabilidad inversa de pesos de censura (IPCW), probabilidad inversa de pesos de observación (IPOW) e imputación múltiple (MI) para estimar el riesgo y la tasa de resultado.

Principales resultados:

• Los métodos crudos mostraron sesgo, especialmente cuando los participantes regresaron después de una brecha, incluso con ausencia independiente.
• IPCW y MI demostraron imparcialidad relativa en todos los escenarios y tipos de resultados; MI ofreció una mayor precisión.
• Los métodos IPOW estaban sesgados para obtener resultados permanentes y menos precisos que IPCW o MI.

Conclusiones:

• Los métodos rudimentarios que permiten a los participantes regresar después de las brechas de datos no se recomiendan debido al sesgo potencial.
• Estos resultados sesgados pueden ocurrir incluso cuando la ausencia es independiente del resultado.
• Los investigadores deben optar por la censura o la imputación múltiple para manejar con precisión las brechas de datos en los estudios longitudinales.