Manejo de resultados y covariables incompletos en ensayos aleatorizados por conglomerados: estimación doblemente...

Área de la Ciencia:

• Bioestadística
• Metodología de Ensayos Clínicos
• Epidemiología

Sus antecedentes:

• Los datos faltantes son un desafío común en los ensayos aleatorizados por conglomerados (EAC), que afectan los resultados individuales, las covariables y los datos de no participantes.
• Los métodos existentes a menudo no abordan todos los tipos de datos faltantes simultáneamente en los EAC.
• Los resultados faltantes son un enfoque principal, pero carece de un enfoque integral.

Objetivo del estudio:

• Proponer un novedoso estimador doblemente robusto para el efecto promedio del tratamiento en los EAC.
• Desarrollar un método que maneje simultáneamente múltiples tipos de datos faltantes, incluidos resultados, covariables y tamaños de conglomerados.
• Proporcionar un marco sólido para analizar los EAC con patrones complejos de datos faltantes.

Principales métodos:

• Se propone un enfoque de estimación doblemente robusto para diversas escalas de medidas de efecto.
• El método acomoda resultados faltantes bajo la suposición de que faltan al azar y covariables faltantes sin restricciones estrictas del mecanismo.
• También aborda los tamaños de población de conglomerados faltantes utilizando un mecanismo de muestreo uniforme.

Principales resultados:

• El estimador propuesto ofrece un enfoque unificado para manejar diversos escenarios de datos faltantes en los EAC.
• Las consideraciones clave para mejorar la precisión incluyen la ponderación óptima, la integración del aprendizaje automático y la modelización de la asignación del tratamiento.
• Se desarrolla un nuevo marco de análisis de sensibilidad para evaluar el impacto de las suposiciones violadas sobre los datos faltantes.

Conclusiones:

• El estimador doblemente robusto desarrollado proporciona una solución integral para los datos faltantes en los EAC.
• Los métodos mejoran la precisión y la solidez de la estimación del efecto del tratamiento.
• El marco de análisis de sensibilidad ayuda a evaluar la confiabilidad de los hallazgos bajo posibles violaciones de la falta de datos.