脱落模型在重复测量数据分析中的应用——以抑郁症和阿尔茨海默病试验为例

"该文是首发论文，主题聚焦于历时性重复测量资料的脱落模型建立与数据分析方法，由李云飞、王鲲等学者撰写，主要研究数据缺失对统计结果的影响，并探讨合理的方法选择。文章基于真实的抑郁症和阿尔茨海默病临床试验数据，通过建立脱落模型模拟患者数据缺失，并对比了混合效应模型和结转-协方差分析两种方法的适用性。研究发现，不同类型的数据缺失（MCAR和MAR）对统计结果有不同的影响，且结转后的差异在两种疾病中表现出不同的特征。文章强调混合效应模型在处理缺失值时具有更广泛的适用性。" 本文探讨了在药物临床试验中，特别是涉及历时性重复测量资料时，如何处理数据缺失问题。历时性重复测量资料是指在多个时间点对同一对象进行多次观察的数据，常见于慢性疾病的研究，如抑郁症和阿尔茨海默病。在这些研究中，由于各种原因（如患者退出、失访等）导致的数据缺失是常见的问题，这可能会影响统计分析的准确性。 文章提出了脱落模型的概念，这是一种用于模拟和处理临床试验中患者脱落引起的数据缺失的统计模型。通过对真实临床试验数据的分析，研究人员比较了两种常见的数据缺失类型：Missing Completely at Random (MCAR) 和 Missing at Random (MAR)。MCAR指的是数据的缺失是随机的，与观测值和未观测值无关，而MAR则表示缺失依赖于已观测到的变量，但不依赖于缺失值本身。 研究结果显示，MCAR型缺失对统计结果的影响相对较小，而MAR型缺失的影响较大。此外，当采用“末次访视结转”（Last Observation Carried Forward，LOCF）这一常用的数据填充方法时，两种类型的缺失在结转后与原始数据的差异增大。在抑郁症研究中，MCAR的差异大于MAR，而在阿尔茨海默病研究中情况相反。这提示我们在处理不同疾病或研究中，应谨慎选择数据处理策略。 混合效应模型作为一种统计方法，被证明在处理MCAR和MAR缺失值时都表现出较好的性能，其优势在于能够同时考虑个体间和时间内的变异性，因此在处理历时性重复测量资料时更具通用性。与LOCF方法相比，混合效应模型能更全面地捕捉数据间的关联性和趋势，从而提供更为准确的统计推断。 总结来说，对于历时性重复测量资料的脱落模型建立与数据分析，选择合适的统计方法至关重要。在实际操作中，研究人员应根据数据的缺失类型和疾病特性，结合混合效应模型和末次访视结转等多种方法，以确保分析结果的可靠性和有效性。这对于药物疗效评估和疾病进程理解具有深远的科学价值。