gms | German Medical Science

51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e. V. (gmds)

10. - 14.09.2006, Leipzig

Vergleich verschiedener Methoden zur Ersetzung von Fehlenden Werten

Meeting Abstract

  • Elena Regourd - Pfizer Pharma GmbH, Karlsruhe
  • Clemens Tilke - Pfizer Pharma GmbH, Karlsruhe
  • Irini Schenkel - Pfizer Pharma GmbH, Karlsruhe
  • Gabriele Jacob - Pfizer Pharma GmbH, Karlsruhe
  • Friedhelm Leverkus - Pfizer Pharma GmbH, Karlsruhe

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. (gmds). 51. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie. Leipzig, 10.-14.09.2006. Düsseldorf, Köln: German Medical Science; 2006. Doc06gmds099

Die elektronische Version dieses Artikels ist vollständig und ist verfügbar unter: http://www.egms.de/de/meetings/gmds2006/06gmds160.shtml

Veröffentlicht: 1. September 2006

© 2006 Regourd et al.
Dieser Artikel ist ein Open Access-Artikel und steht unter den Creative Commons Lizenzbedingungen (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.de). Er darf vervielf&aauml;ltigt, verbreitet und &oauml;ffentlich zug&aauml;nglich gemacht werden, vorausgesetzt dass Autor und Quelle genannt werden.


Gliederung

Text

Fehlende Werte sind ein bekanntes Problem bei klinischen Prüfungen und Anwendungsbeobachtungen, insbesondere wenn longitudinale Daten erhoben werden. Durch eine sorgfältige Planung kann die Anzahl der fehlenden Werte zwar vermindert, das Problem jedoch nicht eliminiert werden. Die Richtlinien ICH-E9 [1] und CPMP-PtC [2] empfehlen, die fehlenden Werte zu ersetzen, um Selektionsbias und Powerverlust zu vermeiden.

Anhand der Daten aus zwei Projekten, einer nichtrandomisierten klinischen Studie und einer Anwendungsbeobachtung, wurden verschiedene Ersetzungsverfahren angewandt und miteinander verglichen. Neben der häufig benutzten LOCF (Last Observation Carry Forward)-Ersetzungstechnik wurden geeignete Multiple Imputation Methoden (SAS® Procedure PROC MI) - wie z. B. Markov Chain Monte Carlo (MCMC), Propensity Score, Regression, Predicted Mean Matching - angewandt. Da die meisten von der SAS® Prozedur PROC MI verwendbaren Methoden eine monotone Struktur der fehlenden Werte voraussetzen, wurden gängige Ersetzungsverfahren (z. B. LOCF, lineare Interpolation) vorgeschaltet, um die Daten in die notwendige Struktur zu bringen. In einem weiteren Modell wurde die Monotonie-Voraussetzung umgangen, indem die Propensity-Score-Methode sequentiell angewandt wurde [3]. Ferner wurden mehrere Strategien bei Subgruppenanalysen untersucht. Zum Vergleich der verschiedenen Methoden werden sowohl deskriptive Ergebnisse als auch Ergebnisse der geplanten statistischen Analysen dargestellt.


Literatur

1.
International Conference on Harmonisation: “ICH Topic E9: Statistical Principles for Clinical Trials“. September 1998 http://www.emea. eu.int/pdfs/human/ich/036396en.pdf
2.
Committee for Proprietary Medicinal Products: “Points to Consider on Missing Data”. November 2001 http://www.emea.eu.int/pdfs/human/ewp/177699EN.pdf
3.
Li, X, DV Mehrotra; J Barnard: Analysis of Incomplete Longitudinal Binary Data Using Multiple Imputation. Statistics in Medicine, in press
4.
SAS® Version 9.1.3 http://support.sas.com/onlinedoc/913/docMainpage.jsp [4]
5.
Fairclough D.L., Design and Analysis of Quality of Life Studies in Clinical Trails, 2002 by Chapman & Hall/CRC