Handling missing values in patient-reported outcome data in the presence of intercurrent events
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: As patient-reported outcomes (PROs) are increasingly used in the evaluation of medical treatments, it is important that PROs are carefully analyzed and interpreted. This may be challenging due to substantial missing values. The missingness in PROs is often closely related to patients' disease status. In that case, using observed information about intercurrent events (ICEs) such as disease progression and death will improve the handling of missing PRO data. Therefore, the aim of this study was to develop imputation models for repeated PRO measurements that leverage information about ICEs. METHODS: We assumed a setting in which missing PRO measurements are missing at random given observed measurements, as well as the occurrence and timing of ICEs, and potentially other (baseline or time-varying) covariates. We then showed how these missingness assumptions can be translated into concrete imputation models that also account for a longitudinal data structure. The resulting models were applied to impute anonymized PRO data from a single-arm clinical trial in patients with advanced lung cancer. RESULTS: In our trial example, accounting for death and other ICEs in the imputation of missing data led to lower estimated mean health-related quality of life (while alive) compared to an available case analysis and a naive linear mixed model imputation. CONCLUSION: Information about the timing and occurrence of ICEs contribute to a more plausible handling of missing PRO data. To account for ICE information when handling missing PROs, the missing data model should be separated from the analysis model.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,079 | 0,741 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle