Fehlende Daten und Studienabbruch

Fehlende Daten sind Werte, die erhoben werden sollten, aber nicht gewonnen wurden, und Studienabbruch (Attrition) ist der Verlust von Teilnehmenden im Verlauf einer Studie, oft durch Ausstieg oder Verlust der Nachbeobachtung. Beides reduziert die verfügbaren Informationen und kann, was schwerwiegender ist, die Ergebnisse verzerren, wenn die Wahrscheinlichkeit, dass ein Wert fehlt, mit dem potenziellen Wert selbst zusammenhängt. Das Antizipieren und Begrenzen fehlender Daten in der Designphase sowie deren angemessene Handhabung in der Analyse sind essenziell, um die Validität einer Studie zu erhalten.

Definition

Fehlende Daten sind beabsichtigte Beobachtungen, die nicht erfasst wurden, und Studienabbruch (Attrition) ist der Verlust von eingeschlossenen Teilnehmenden während einer Studie; ihre Auswirkungen hängen vom Mechanismus des Fehlens ab, der von vollständig zufällig fehlend (unabhängig von jeglichen Daten) über zufällig fehlend (durch beobachtete Daten erklärbar) bis hin zu nicht zufällig fehlend (bezogen auf den unbeobachteten Wert selbst) reicht.

Scope

Der Eintrag behandelt die Arten fehlender Daten (vollständig zufällig fehlend, zufällig fehlend und nicht zufällig fehlend), die Konsequenzen von Studienabbrüchen für Verzerrung und Power, Präventionsstrategien, die in Design und Durchführung integriert sind, sowie prinzipiengeleitete Behandlungsmethoden wie multiple Imputation und den Intention-to-treat-Ansatz. Er ist als methodologische Referenz konzipiert und enthält keine klinischen Anweisungen.

Key concepts

• Vollständig zufällig fehlend (MCAR)
• Zufällig fehlend (MAR)
• Nicht zufällig fehlend (MNAR)
• Verlust der Nachbeobachtung und Studienabbruch
• Multiple Imputation
• Intention-to-treat-Analyse
• Complete-Case-Analyse und ihre Verzerrungen
• Sensitivitätsanalyse für Annahmen über fehlende Daten

Mechanisms

Die Bedrohung durch fehlende Daten hängt davon ab, warum Werte fehlen. Wenn das Fehlen unabhängig von jeglichen Daten ist (MCAR), verlieren einfache Analysen an Präzision, bleiben aber unverzerrt; wenn es vollständig durch beobachtete Variablen erklärt werden kann (MAR), können Methoden wie die multiple Imputation gültige Schätzungen wiederherstellen, indem sie die fehlenden Werte aus den beobachteten modellieren; wenn es vom unbeobachteten Wert selbst abhängt (MNAR), kann keine Methode ein unverzerrtes Ergebnis garantieren, und Schlussfolgerungen hängen von unprüfbaren Annahmen ab. Studienabbrüche, die mit der Behandlung oder der Prognose zusammenhängen, können das Gleichgewicht, das die Randomisierung geschaffen hat, stören, weshalb die Intention-to-treat-Analyse die Teilnehmenden in ihren zugewiesenen Gruppen belässt und warum Prävention und nicht nachträgliche Korrektur betont wird. Sensitivitätsanalysen untersuchen, wie sich Schlussfolgerungen unter verschiedenen Annahmen über das Fehlen ändern.

Clinical relevance

Die Beurteilung, wie viele Daten fehlten, warum und wie damit umgegangen wurde, ist Teil der Einschätzung, ob die Studienergebnisse vertrauenswürdig sind, da eine hohe oder differenzielle Attrition einen Effekt übertreiben oder maskieren kann. Dieser Eintrag beschreibt Forschungsmethodik zur Bewertung und ist keine Quelle für diagnostische oder therapeutische Leitlinien.

Evidence & guidelines

Ein Expertengremium, das für die U.S. Food and Drug Administration einberufen wurde, betonte die Prävention fehlender Daten durch Studiendesign und -durchführung und warnte davor, sich auf eine einzige analytische Lösung zu verlassen. Methodologische Leitlinien beschreiben die multiple Imputation unter der Annahme des zufälligen Fehlens und ihre Fallstricke sowie den Intention-to-treat-Rahmen für Studien mit fehlenden Endpunkten; Berichtsstandards wie CONSORT erfordern ein Flussdiagramm der Teilnehmenden, das Verluste dokumentiert. Umfragen zeigen, dass Intention-to-treat in der Praxis oft inkonsistent definiert und angewendet wird.

History

Der moderne Rahmen wurde durch Rubins Formalisierung der Fehlensmechanismen in den 1970er Jahren und durch die nachfolgende Arbeit von Little und Rubin zur statistischen Analyse mit fehlenden Daten, die die multiple Imputation einführte, geprägt. Mit der Reifung randomisierter Studien wurde das Intention-to-treat-Prinzip zentral für den Umgang mit Studienabbrüchen, ohne die Randomisierung zu brechen. Ein Bericht des U.S. National Research Council aus dem Jahr 2010 und das damit verbundene von der FDA beauftragte Gremium haben fehlende Daten später primär als ein Problem der Prävention durch Design und nicht als ein Problem der post-hoc statistischen Korrektur neu definiert.

Debates

Kann multiple Imputation eine Studie mit erheblichen fehlenden Daten retten?

Multiple Imputation liefert gültige Schlussfolgerungen, wenn Daten zufällig fehlen, aber ihre Gültigkeit beruht auf einer Annahme, die nicht aus den Daten überprüft werden kann; wenn Daten nicht zufällig fehlen, kann sie irreführend sein, daher ist sie ein Werkzeug, das mit Sensitivitätsanalysen verwendet werden sollte und keine garantierte Lösung.

Wie sollte Intention-to-treat mit fehlenden Endpunkten umgehen?

Intention-to-treat behält die Teilnehmenden in ihren randomisierten Gruppen, um das Gleichgewicht zu erhalten, aber wenn Endpunkte fehlen, kann es nicht ohne Annahmen über die fehlenden Werte angewendet werden; wie das Prinzip mit Imputation und Sensitivitätsanalyse kombiniert werden kann, bleibt eine praktische Herausforderung.

Key figures

• Roderick Little
• Donald Rubin
• Ian White
• Jonathan Sterne
• Douglas Altman

Seminal works

• little-2012-prevention
• sterne-2009-mi
• white-2011-itt

Frequently asked questions

Warum ist der Grund für fehlende Daten wichtiger als die Menge der fehlenden Daten?

Selbst eine geringe Menge fehlender Daten kann Ergebnisse verzerren, wenn die Wahrscheinlichkeit des Fehlens vom unbeobachteten Wert abhängt, während Daten, die aus Gründen fehlen, die nicht mit dem Wert zusammenhängen, hauptsächlich Präzision kosten; der Mechanismus, nicht nur die Quantität, bestimmt, ob und wie stark eine Verzerrung auftritt.

Was ist die Intention-to-treat-Analyse und warum ist sie bei Studienabbrüchen wichtig?

Intention-to-treat analysiert Teilnehmende in den Gruppen, denen sie randomisiert wurden, unabhängig davon, was danach geschah, wodurch das durch die Randomisierung geschaffene Gleichgewicht erhalten bleibt; sie ist bei Studienabbrüchen wichtig, weil der Ausschluss von Aussteigern oder die Analyse nur derjenigen, die die Behandlung abgeschlossen haben, die Verfälschung wieder einführen kann, die die Randomisierung beseitigt hat.