A Systematic Survey of the Optimal Strategy for Dealing With Missing Binary Outcomes in Simulation Studies of Randomized Controlled Trials
Notice bibliographique
Résumé
AIM: To summarize the optimal strategies for dealing with missing binary outcome data (MBOD) in randomized controlled trials (RCTs) as informed by simulation studies, and to summarize the quality of reporting in these studies. METHODS: To identify simulation studies comparing at least two strategies to deal with MBOD and evaluating their performance (bias, coverage and power), we searched MEDLINE, EMBASE, Cochrane Central Register of Controlled Trials via Ovid, Web of Science, and JSTOR from their inception up to December 20, 2023. We evaluated reporting quality using established criteria for simulation studies in medical statistics. We summarized data using descriptive statistics and a narrative synthesis. RESULTS: Our search identified 29,460 citations, of which five proved eligible. Multiple imputation (MI), investigated in five studies, showed consistently good performance in all domains tested for missing completely at random (MCAR) and missing at random (MAR) but with important limitations in missing not at random (MNAR). Complete case analysis (CCA), investigated in four studies of which three addressed model-based CCA, performed well in bias and coverage under MAR and MCAR, but less well for MNAR. One study reported that non-model-based CCA performed poorly with respect to bias under MAR. Non-model-based single imputation, investigated in two studies, showed consistently poor performance across all domains tested for MAR, MCAR and MNAR. One study reported that model-based single imputation performed well with respect to bias under MAR. Regarding reporting quality, all studies reported the aims, dependence of simulated data sets, scenarios and statistical methods evaluated, number of simulations performed, justification of data generation and criteria used to evaluate the simulation performance. None of the studies reported the starting seeds, random number generators and failures occurring during simulation. CONCLUSIONS: Simulation studies address methods to deal with MBOD in RCTs, provided evidence that the MI approach is superior with respect to bias and coverage compared with CCA. Non-model-based single imputation generally performed poorly.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Méthodes · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | high |
| gpt | Métarecherche Domaine: Méthodes · Genre: Synthèse Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Revue systématique | high |
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 | 0,317 | 0,730 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,015 | 0,018 |
| Bibliométrie | 0,020 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».