Missing data are unavoidable in epi

Missing data are unavoidable in epidemiological and clinical research but their potential to undermine the validity of research results has often been overlooked in the medical literature.1 This is partly because statistical methods that can tackle problems arising from missing data have, until recently, not been readily accessible to medical researchers. However, multiple imputation—a relatively flexible, general purpose approach to dealing with missing data—is now available in standard statistical software,2 3 4 5 making it possible to handle missing data semiroutinely. Results based on this computationally intensive method are increasingly reported, but it needs to be applied carefully to avoid misleading conclusions.

In this article, we review the reasons why missing data may lead to bias and loss of information in epidemiological and clinical research. We discuss the circumstances in which multiple imputation may help by reducing bias or increasing precision, as well as describing potential pitfalls in its application. Finally, we describe the recent use and reporting of analyses using multiple imputation in general medical journals, and suggest guidelines for the conduct and reporting of such analyses.

Consequences of missing data
Researchers usually address missing data by including in the analysis only complete cases —those individuals who have no missing data in any of the variables required for that analysis. However, results of such analyses can be biased. Furthermore, the cumulative effect of missing data in several variables often leads to exclusion of a substantial proportion of the original sample, which in turn causes a substantial loss of precision and power.

ผลลัพธ์ (ไทย) 1:

ข้อมูลหายไปจะหลีกเลี่ยงไม่ได้ในการวิจัยทางคลินิก และความ แต่ข้ามทำลายตั้งแต่ผลวิจัยศักยภาพของพวกเขาใน literature.1 การแพทย์บางส่วนเนื่องจากวิธีการทางสถิติที่สามารถเล่นงานปัญหาเกิดจากข้อมูลสูญหาย จนล่าสุด ไม่มีความพร้อมถึงนักวิจัยทางการแพทย์มักจะ อย่างไรก็ตาม imputation หลาย — วิธีค่อนข้างยืดหยุ่น ทั่วไปวัตถุประสงค์เพื่อจัดการกับข้อมูลที่ขาดหายไปซึ่งมีอยู่ในซอฟต์แวร์ทางสถิติมาตรฐาน 5 4 3 2 ทำให้สามารถจัดการกับข้อมูลที่หายไป semiroutinely มีรายงานผลตามวิธีนี้ computationally เข้มข้นมากขึ้น แต่ต้องใช้อย่างระมัดระวังเพื่อหลีกเลี่ยงการสรุปทำให้เข้าใจผิดในบทความนี้ เราตรวจสอบเหตุผลที่ทำไมข้อมูลที่ขาดหายไปอาจทำให้ความโน้มเอียงและการสูญหายของข้อมูลในการวิจัยทางคลินิก และความ เราหารือสถานการณ์ซึ่งหลาย imputation อาจช่วย โดยการลดความโน้มเอียง หรือเพิ่มความแม่นยำ รวมทั้งอธิบายข้อผิดพลาดที่อาจเกิดขึ้นในโปรแกรมประยุกต์ของ สุดท้าย เราอธิบายการใช้ล่าสุดและรายงานวิเคราะห์ที่ใช้ imputation หลายในสมุดรายวันทางการแพทย์ และแนะนำแนวทางการจัดทำรายงานการวิเคราะห์ดังกล่าวผลกระทบของข้อมูลขาดหายไปResearchers usually address missing data by including in the analysis only complete cases —those individuals who have no missing data in any of the variables required for that analysis. However, results of such analyses can be biased. Furthermore, the cumulative effect of missing data in several variables often leads to exclusion of a substantial proportion of the original sample, which in turn causes a substantial loss of precision and power.

ผลลัพธ์ (ไทย) 2:

ข้อมูลที่ขาดหายไปหลีกเลี่ยงไม่ได้ในการวิจัยทางระบาดวิทยาและคลินิก แต่ศักยภาพของพวกเขาที่จะบ่อนทำลายความถูกต้องของผลการวิจัยที่ได้รับมักจะมองข้ามใน literature.1 ทางการแพทย์นี้ส่วนหนึ่งเป็นเพราะวิธีการทางสถิติที่สามารถจัดการกับปัญหาที่เกิดขึ้นจากข้อมูลที่ขาดหายไปได้จนกระทั่งเมื่อเร็ว ๆ ไม่ได้รับการ เข้าถึงได้อย่างง่ายดายในการวิจัยทางการแพทย์ อย่างไรก็ตามหลายใส่ร้าย-ที่ค่อนข้างมีความยืดหยุ่นวิธีการใช้งานทั่วไปในการจัดการกับข้อมูลที่ขาดหายไปคือตอนนี้ที่มีอยู่ในซอฟแวร์ทางสถิติมาตรฐาน 2 3 4 5 ทำให้มันเป็นไปได้ที่จะจัดการกับข้อมูลที่ขาดหายไป semiroutinely ผลตามวิธีการคำนวณที่เข้มข้นนี้จะมีการรายงานมากขึ้น แต่มันจำเป็นต้องใช้อย่างระมัดระวังเพื่อหลีกเลี่ยงความเข้าใจผิดข้อสรุป. ในบทความนี้เราจะตรวจสอบเหตุผลที่ว่าทำไมข้อมูลที่ขาดหายไปอาจนำไปสู่การมีอคติและการสูญเสียข้อมูลในการวิจัยทางระบาดวิทยาและทางคลินิก เราหารือสถานการณ์ที่ใส่ร้ายหลายอาจจะช่วยโดยการลดอคติหรือเพิ่มความแม่นยำเช่นเดียวกับข้อผิดพลาดที่อาจเกิดขึ้นอธิบายในการประยุกต์ใช้ ในที่สุดเราจะอธิบายการใช้งานที่ผ่านมาและรายงานการวิเคราะห์โดยใช้การใส่ร้ายหลายในวารสารทางการแพทย์ทั่วไปและแนะนำแนวทางในการดำเนินการและการรายงานการวิเคราะห์ดังกล่าว. ผลของการไม่มีข้อมูลนักวิจัยมักจะหายไปที่อยู่ที่ข้อมูลโดยรวมทั้งในการวิเคราะห์เฉพาะกรณีสมบูรณ์ -those บุคคลที่ไม่มีข้อมูลที่ขาดหายไปในที่ใด ๆ ของตัวแปรที่จำเป็นสำหรับการวิเคราะห์ว่า อย่างไรก็ตามผลของการวิเคราะห์ดังกล่าวสามารถลำเอียง นอกจากนี้ผลสะสมของข้อมูลที่ขาดหายไปในหลายตัวแปรมักจะนำไปสู่การยกเว้นจากสัดส่วนของกลุ่มตัวอย่างเดิมซึ่งจะทำให้เกิดการสูญเสียที่สำคัญของความแม่นยำและอำนาจ

ผลลัพธ์ (ไทย) 3:

ข้อมูลที่ขาดหายไปจะหลีกเลี่ยงไม่ได้ในทางระบาดวิทยาและการวิจัยทางคลินิก แต่ศักยภาพในการทำลายความถูกต้องของผลการวิจัยของพวกเขามักจะถูกมองข้ามในวรรณกรรมทางการแพทย์ 1 นี้เป็นเพราะวิธีการทางสถิติที่สามารถแก้ไขปัญหาที่เกิดจากข้อมูลสูญหายได้ จนกระทั่งเมื่อเร็ว ๆ นี้ไม่สามารถเข้าถึงได้อย่างง่ายดายให้นักวิจัยทางการแพทย์ อย่างไรก็ตามหลาย imputation-a ความยืดหยุ่นค่อนข้าง ทั่วไป วิธีการจัดการกับข้อมูลที่ขาดหายไป คือตอนนี้สามารถใช้ได้ในซอฟต์แวร์มาตรฐานทางสถิติ 2 3 4 5 ทำให้สามารถจัดการกับข้อมูลที่หายไป semiroutinely . ผลลัพธ์จากวิธี computationally เข้มข้นนี้มีรายงานเพิ่มมากขึ้น แต่ก็ควรจะใช้อย่างระมัดระวังเพื่อหลีกเลี่ยงการเข้าใจผิดเอง

ในบทความนี้เราทบทวนเหตุผลที่ขาดหายไปข้อมูลอาจทำให้เกิดอคติและการสูญเสียข้อมูลทางระบาดวิทยาและการวิจัยทางคลินิก เราได้กล่าวถึงสถานการณ์ที่หลายส่วนบุคคลอาจช่วยลดอคติ หรือ เพิ่มความแม่นยำ รวมทั้งอธิบายข้อผิดพลาดที่อาจเกิดขึ้นในการประยุกต์ใช้ . ในที่สุด