处理不可忽视的缺失亲密性增生症数据 - 从VEST试验中吸取的教训

科学领域:

• 生物统计学 生物统计学
• 临床试验方法论 临床试验方法论
• 心血管外科研究研究

背景情况:

• 在临床试验中,不可忽视的缺失数据是一个常见的挑战,特别是在像VEST试验这样的研究中,评估静脉移植结果.
• 移植闭塞,导致缺失的内密增生 (IH) 数据,是一个负面的结果,使得缺失的数据不可忽视 (缺失不是随机的 - MNAR).

研究的目的:

• 开发和评估一种新的统计方法来处理VEST试验中的MNAR数据.
• 通过模拟研究来评估这种新方法与现有方法的性能.

主要方法:

• 为MNAR场景开发了一种两部分方法,将惩罚性多重归算与修改后的威尔科克森签名等级测试相结合.
• 进行了模拟研究,以评估该方法的功率和与替代方法相比的I型错误率.

主要成果:

• 这种新方法在试验假设下没有证明I型错误膨胀和充足的功率.
• 缺失数据超过20%的功率下降,使用因低估治疗效果而导致的双重惩罚.
• 对于平衡的缺失数据,单独处罚的多重归算更强大,而对于不平衡的MNAR数据,组合方法更优越.

结论:

• 开发的方法适用于处理临床试验中不可忽视的缺失数据,特别是在心血管研究中.
• 这种方法是强大的,即使缺少的数据在治疗臂之间得到平衡,就像在VEST试验中观察到的那样.
• 这种方法为其他面临类似缺失数据挑战的研究环境提供了有价值的工具.