Как исследования HEOR обрабатывают недостающие данные? – Экономист в области здравоохранения

Это вопрос, на который ответили в статье Мукерджи и др. (2023). Авторы определяют «исследование HEOR» для этой статьи как

…исследования фактических данных, в ходе которых проводился вторичный/апостериорный анализ с использованием рандомизированного
данные контролируемого исследования (РКИ), а также анализ затрат и полезности внутри исследования, в котором интересующими результатами были затраты или PRO, включая полезности на основе предпочтений (например, EQ-5D).

Наиболее подходящий подход к вменению недостающих данных зависит от предположений о том, почему данные отсутствуют:

• Пропал совершенно случайно (MCAR): наблюдаемые или ненаблюдаемые значения всех переменных в исследовании не оказывают никакого влияния на вероятность отсутствия наблюдения.
• Случайно пропал (MAR). Вероятность отсутствия данных для конкретной переменной связана с наблюдаемыми значениями переменных (либо наблюдаемыми значениями других переменных в наборе данных, либо наблюдаемыми значениями той же переменной в предыдущие моменты времени) в наборе данных, но не с отсутствующими данными. Невозможно проверить, сохраняется ли MAR в наборе данных.
• Пропало не случайно (MNAR). В этом случае вероятность отсутствия данных для конкретной переменной связана с базовым значением этой конкретной переменной. MNAR может быть игнорируемым (когда пропущенные значения возникают независимо от процесса сбора данных) или неигнорируемым (когда существует структурная причина механизма отсутствия, которая зависит от ненаблюдаемых переменных или самого пропущенного значения).

Для устранения недостающих данных доступны различные методы, в том числе: анализ полного случая (CCA), анализ доступного случая (AC), множественное вменение (MI), множественное вменение с помощью цепного уравнения (MICE) и сопоставление прогнозируемых средних значений.

Чтобы лучше понять, какие подходы обычно используются в исследованиях экономики здравоохранения и результатов (HEOR), авторы провели систематический обзор литературы в PubMed и изучили, какие типы статистических методов использовались для устранения недостающих показателей затрат, полезности или результатов, сообщаемых пациентами.

Авторы обнаружили, что наиболее часто использовались множественное вменение, множественное вменение с помощью цепного уравнения и анализ полного случая:

Из 1433 идентифицированных записей было включено 40 статей. Тринадцать исследований представляли собой экономические оценки. В 30 исследованиях использовалось множественное вменение, в 17 исследованиях использовалось множественное вменение с помощью цепного уравнения, а в 15 исследованиях использовался полный анализ случая. В семнадцати исследованиях рассматривались недостающие данные о стоимости, а в 23 исследованиях – недостающие данные о результатах. В одиннадцати исследованиях сообщалось об одном методе, а в 20 исследованиях использовалось несколько методов для устранения недостающих данных.

Авторы отмечают, что, хотя они нашли большое количество методологической литературы HEOR о том, как обрабатывать недостающие данные в контексте РКИ; однако было очень мало исследований, которые пытались реально реализовать эти рекомендации и приписать недостающие данные. Вы можете прочитать статью полностью здесь.