Missing Outcome Data in Recent Perinatal and Neonatal Clinical Trials
Notice bibliographique
Résumé
Missing outcome data in clinical trials may jeopardize the validity of the trial results and inferences for clinical practice. Although sick and preterm newborns are treated as a captive patient population during their stay in the NICUs, their long-term outcomes are often ascertained after discharge. This greatly increases the risk of attrition. We surveyed recently published perinatal and neonatal randomized trials in 7 high-impact general medical and pediatric journals to review the handling of missing primary outcome data and any choice of imputation methods. Of 87 eligible trials in this survey, 77 (89%) had incomplete primary outcome data. The missing outcome data were not discussed at all in 9 reports (12%). Most study teams restricted their main analysis to participants with complete information for the primary outcome (61 trials; 79%). Only 38 of the 77 teams (49%) performed sensitivity analyses using a variety of imputation methods. We conclude that the handling of missing primary outcome data was frequently inadequate in recent randomized perinatal and neonatal trials. To improve future approaches to missing outcome data, we discuss the strengths and limitations of different imputation methods, the appropriate estimation of sample size, and how to deal with data withdrawal. However, the best strategy to reduce bias from missing outcome data in perinatal and neonatal trials remains prevention. Investigators should anticipate and preempt missing data through careful study design, and closely monitor all incoming primary outcome data for completeness during the conduct of the trial.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,561 | 0,842 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,010 | 0,014 |
| Bibliométrie | 0,011 | 0,019 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».