本期推文摘自《真实世界研究方法实操训练营》模块一。

根据研究数据的特点，以及希望解决的临床问题，授课导师美国杜克大学医学中心生物统计系正教授罗晟教授通过自己多年的临床工作和教学经验，将数据缺失分为两类：

一、结局变量(outcomes)的局部缺失或全部缺失

二、Predictors/Covariates的缺失

本期学习重点：识别数据缺失的类型，选择正确的分析方法。

案例1：成功发表在JCO的调查问卷研究

研究对象：前列腺癌患者，接受H-RT治疗 VS. 接受C-RT

研究方法：通过“调查问卷”的方法，收集这两组患者在某两项功能的预后结果，患者自行填写后寄回。

1、数据全部缺失：调查问卷有23%的患者没有作出回应，完全缺失。

2、从TABLE1 & TABLE2的基线图中可以看到数据存在局部缺失。

该研究选用了MICE（Multiple Imputation by Chained Equations /多重数据插补）和Sensitivity Analysis（灵敏度分析）两种方法进行了数据缺失的处理，罗教授在讲解的同时也给出了一些识别和处理数据缺失是小技巧。

案例2：一项成功发表在JCO的真实世界研究，通过对2项RCT研究数据对比，针对某些特定群体（如：年长的患者、高风险人群），得出：ADT+RT的治疗方法要优于ADT Alone的研究结果，回答了RCT研究中没有回答的问题。

以下是两组RCT研究的基线对比图。

该研究同样出现了“局部数据缺失”的问题。

罗教授：数据的缺失，尽量不要简单粗暴的选择直接删除。

课程最精彩的部分，罗教授展示了自己团队研发的分析方法，处理数据缺失的疑难杂症，并成功发表了“新英格兰杂志”。

罗晟教授团队研发的多种创新方法，解决科研工作中不同的数据缺失问题。

欢迎更多的科研小伙伴加入《真实世界研究方法实操训练营》，国际顶刊审稿人手把手教您如何识别数据缺失类型，选择正确的分析方法，以高质量研究冲刺国际顶刊文章发表！

1、数据缺失的概念及类别

2、数据缺失的识别及处理方法

3、纵向数据缺失的处理方法

4、问卷和量表研究分析方法

5、导师原创的统计方法介绍

6、回复审稿人的小技巧

授课导师：罗晟教授/美国杜克大学

课程时长：35分钟