-JJXc.jfif)
解读NEJM论文的一篇临床试验缺失数据处理方法。 ”数据缺失是困扰临床研究的心头大患，急得研究者抓耳挠腮。数据缺失如此多娇，引无数计算机学者、数学家、医学家竞折腰。今天我们就来看看一篇发表在顶级大刊NEJM上的结局多重插补文章。 2023年12月28日，一篇题为"Restrictive or liberal transfusion strategy in myocardial infarction and anemia"的临床RCT研究论文发表于《The New England journal of medicine》（一区top，IF=158.5），作者为美国罗格斯大学Jeffrey L Carson团队。这项研究纳入3504名有心肌梗死伴贫血的患者，将他们分入限制性和开放性输血策略组，通过对数二项回归模型和多重插补的方法，探究不同输血策略与心肌梗死复发或死亡的关系。结果表明，对于心肌梗死和贫血患者，宽松的输血策略并不能显著降低30天内复发性心肌梗死或死亡的风险。然而，限制性输血策略的潜在危害不能被排除。
-iPtr.jfif)
这是一个技术难题，不少人在问，因为多重填补后很难直接开展自变量筛选进行处理。 所以作为一名知名“变态”导师的我，给研究生出了一道题目，当缺失数据采用多重填补后，怎么进行逐步回归法筛选自变量呢？ 各位用自己的数据真实世界研究或者构建预测模型时，或多或少都会遇到存在缺失值
-RFty.png)
在该项研究中，研究团队使用了去身份化电子健康记录（EHR）数据，纳入老年患者。 本研究旨在基于8种机器学习法和SHAP法，构建可解释机器学习预测模型，以评估风险因素并预测老年心合并高血压患者的住院死亡率。 √缺失数据的处理 研究中所有变量的缺失数据比例均保持在30%以下，使用K-最近邻（KNN）分类算法对缺失数据进行处理。 √变量筛选 使用LASSO法在44个变量中筛选出9个最佳预测因子，包括年龄、住院时间（LOS）、中性粒细胞（Neu）、尿素、Cl、活化部分凝血活酶时间（APTT）、白细胞（LEU）、白蛋白和HDL胆固醇。
数据集中的缺失值对数据分析带来了重大挑战，特别是在数据准确性对患者诊断和治疗至关重要的医疗领域。尽管MissForest（MF）在填补研究中被证明是有效的，递归特征消除（RFE）在特征选择中被证明是有效的，但通过RFE集成来增强MF的潜力仍未被探索。 11月8日，我们看到在期刊《BMC Medica
【浙中大郑老师撰写的”统计杂谈“系列文章】 现在对医学研究缺失数据填补的问题，很多人都有了一定的思考，
-phec.png)
在我们的临床研究中，很难得到高质量的数据。 以医院数据为例，收集的数据不够完整，存在缺失，这些缺失数据如同鸡肋，食之无味，弃之可惜。 所以，现在对医学研究缺失数据填补的问题，很多人都有了一定的思考，有缺失，还是要填补，无论是临床试验、调查研究，无论是前瞻性还是回顾性。
现在对医学研究缺失数据填补的问题，很多人都有了一定的思考，有缺失，还是要填补，无论是临床试验、调查研究，无论是前瞻性还是回顾性。 但我们都知道缺失数据填补不能随便填，一个变量，过高比例的缺失，填回去也没有价值。
Zstats交流群
联系助教
请输入助教告诉您的积分券
如果不填写积分券，将直接使用当前余额支付
请稍候，正在为您生成支付订单
请使用扫描二维码完成支付
二维码获取失败
支付二维码获取失败，请点击重新获取
请稍候，正在为您完成支付
正在使用积分券兑换，然后完成支付 正在使用当前余额完成支付
您的订单已支付完成，页面将在 秒后自动关闭
支付过程中出现错误，请重新选择支付方式
