大规模流行病学队列中结构化缺失数据评估的生成模型研究

本研究针对大规模流行病学数据中普遍存在的结构化缺失数据(SM)问题，开发了一种能模拟真实数据缺失模式的生成模型工具。研究人员通过层次聚类识别UK Biobank脑影像队列中的缺失数据块，建立考虑变量相关性和共缺失模式的生成框架，评估了迭代插补(ICE)等方法的性能。该研究为评估缺失数据处理方法提供了更真实的测试平台，揭示了当前方法在结构化缺失场景下的局限性。

　　

在当今大数据驱动的医学研究中，UK Biobank等大型流行病学队列犹如数据金矿，但普遍存在的"数据缺失"问题严重制约了其价值挖掘。尤其当受试者未参与某项子研究时，会产生成块的"结构化缺失数据"(Structured Missingness, SM)，这与传统假设的随机缺失模式截然不同。更棘手的是，这些缺失往往具有信息性——健康志愿者更可能参与后续研究，导致数据并非完全随机缺失(MCAR)。现有评估方法多采用简单随机缺失假设，难以真实反映这种复杂缺失模式对分析结果的影响。

牛津大学Wellcome功能磁共振成像中心(WIN FMRIB)的Lav Radosavljevic等研究人员开发了一种创新性的生成模型，能够模拟真实队列中同时存在结构化缺失(SM)和非结构化缺失(UM)的复杂场景。这项发表在《BMC Medical Research Methodology》的研究，通过分析UK Biobank脑影像子队列中46,471名受试者的23,871个非影像表型(nIDP)，建立了首个能同时模拟变量相关性、共缺失模式和信息性缺失的数据生成框架。

研究采用层次聚类识别缺失模式相似的变量群组，通过LASSO逻辑回归(LASSO-LR)确定核心预测变量，构建基于多变量正态分布的生成模型。技术路线包含：1) 对UKB脑影像队列nIDP数据进行缺失模式聚类；2) 使用Beta分布建模非结构化缺失率；3) 基于高维相关性矩阵生成合成数据；4) 比较均值插补、SoftImpute和迭代插补(ICE)三种方法的性能。

研究结果部分，"Analysis pipeline"显示将nIDP分为4个特征鲜明的聚类：c=0(健康记录，几乎无缺失)、c=1(混合型，高缺失率)、c=2(生活方式相关)、c=3(认知表型)。

，而图5的缺失率直方图清晰展现了不同聚类的缺失特征差异。

"Simulation study"部分发现，迭代插补(ICE)在混合型评分变量选择下表现最优，但对连续变量仅能解释不足20%的方差。

。特别值得注意的是，结构化缺失场景下的插补准确率明显低于非结构化缺失，证实了当前方法在处理块状缺失时的局限性。

"Illustrative example"通过灰质体积预测的实例分析验证了模拟研究的结论：使用ICE插补的模型R²达0.516，显著优于均值插补(0.510)和仅用完整变量(0.475)的方法，且筛选出的15个变量中有14个具有统计学意义。

这项研究的重要意义在于：1) 首次建立了能同时模拟结构化/非结构化缺失的生成模型框架；2) 揭示了当前插补方法在真实世界缺失模式下的性能瓶颈；3) 为未来缺失数据处理方法的评估设立了新标准。研究者特别指出，虽然迭代插补表现相对最佳，但所有方法在结构化缺失场景下的有限准确度，凸显了开发针对性新方法的迫切性。该工具已开源共享，将为提高大型队列研究的分析可靠性提供重要支撑。