对于完全没有结果数据的特殊情况(即,仅针对那些只有T1数据的情况),插补结果数据(事件和事件前的时间) 在研究结束前输入所有缺失结果病例的结果数据(也包括T2、T3或T4缺失的病例),忽略Cox回归的固有审查机制 使用完整的案例分析?
-
1 $\开始组$ CCA可以表示规范对应分析,但这里没有。 否则,大卫·考克斯爵士应该得到他的资本,这是我深切感受到的一点。 $\端组$ – 尼克·考克斯 4月30日11:53
2个答案
-
$\开始组$ 非常感谢,弗兰克·哈雷尔。 在我的案例中,一位评审员要求进行ITT分析(这应该是基于插补的分析,或者我应该如何进行ITT?)。 随机分组后,我没有每组19%的参与者的数据。 如果我正确理解你的建议,ITT分析没有意义,我应该反对这种分析? $\端组$ – 生存 4月30日12:20 -
$\开始组$ 你为什么说“ITT分析”没有意义? 公平地说,术语“ITT分析”相当模糊和不明确,这就是为什么我们现在使用估算术语来更具体地描述我们正试图做的事情。 $\端组$ – 比约恩 4月30日12:43 -
$\开始组$ 据我所知,ITT应在分析中包括所有随机受试者。 这主要是指1)根据随机分组进行“正确”干预和2)退出。 我对1)没有任何问题。 但对于辍学者,我唯一能想到的是使用MI来插补那些没有任何随机化后数据的辍学者的结果。 $\端组$ – 生存 5月1日10:29 -
$\开始组$ 如果我在t=0时对这些人进行审查,那么,正如Frank Harrell指出的那样,我将有效地进行“完整的案例分析”(在这种情况下,这是指我有随机化后数据的任何人,即使在研究结束前进行审查(右偏),我也不知道比CCA更合适的词了, 也许有人可以帮忙),因为风险集只有在t=0之后才会减少。 我没有进行监管试验,但ICH E9可能提供了一个解决方案:FAS(完整分析集)“尽可能完整,并尽可能接近ITT包含所有随机受试者的理想”。 $\端组$ – 生存 5月1日10:31 -
$\开始组$ 在我看来,如果不使用结果插补,这就是我们要走的路。 如果我使用FAS(=仅排除那些我没有随机分组后数据的参与者),那么如果随机分组之间有不同的退出原因,我的能力就会降低,并且会引起偏差。 然而,我使用了杰克逊插补法( pubmed.ncbi.nlm.nih.gov/25060703 )考虑到审查不是随机的,我考虑了未审查和审查个人之间不同的对数风险比。 $\端组$ – 生存 5月1日10:33
如果他们假设没有停止治疗,会发生什么事, 如果一直跟踪到研究结束(非治疗),会发生什么情况,或 还有其他问题吗?
-
$\开始组$ 谢谢,比约恩。 我在弗兰克·哈雷尔的回答的评论中添加了更多细节。 我想估计一下现实世界 “我的干预效果。我不知道患者是否在退出后停止干预。我担心的是,我没有随机化后的数据,因此必须排除这些参与者。如果这与结果无关,我只会失去权力,但如果这确实与结果有关,我会偏向于 分析(这可能就是你所说的某种插补方法,解释MNAR?) $\端组$ – 生存 5月1日10:45 -
$\开始组$ 如果这些没有结果数据的参与者按照你的建议在t=0时被审查,那么会回答什么样的问题也很有趣。 那么,在CAR/MAR的情况下,我只会失去动力,这是正确的吗(因为这些人被从分析/风险集合中删除)。 如果出现偏差(MNAR/CNAR),我可以进行敏感性分析 $\端组$ – 生存 5月1日10:49 -
$\开始组$ “没有随机化后数据,因此必须排除这些参与者”-你没有 有 到。你做什么 必须 取决于环境&你问的问题。 例如,在药物对比安慰剂和非盲法的RCT中,你可能会让预后最差的患者退出安慰剂组(“我病得很厉害,我要吃安慰剂?不可能,我要退出!”),而预后良好的患者退出治疗组(“反正我可能会好起来,现在我吃了这种东西,有潜在的副作用?”)。 这是一种严重的偏见&仅仅将其视为审查/排除并不能消除这种偏见。 $\端组$ – 比约恩 5月2日7:48 -
$\开始组$ 如果没有随访的患者与结果没有任何关系,则排除这些患者是可以的(这不是CAR/MAR,而是CCAR/MCAR,即完全随机)。 当它有联系的时候(老实说,它可能永远不会被完全排除),这至少是一个理论上的担忧。 当然,你可以希望实际影响是有限的。 你必须对上一次随访后发生的情况进行假设,在一种新药的RCT中,你通常知道患者在退出后不能服用(因为他们是如何获得的),但他们可能会服用其他药物。 $\端组$ – 比约恩 5月2日7:53