比较方法在处理诊断准确性研究中连续指标测试缺失值的表现——一项模拟研究

为解决诊断准确性研究中缺失值处理导致的偏差问题，研究人员开展了一项模拟研究，比较了多种方法在估计连续指标测试的AUC时的表现。结果显示，在不同缺失机制和样本量下，各方法的效果存在显著差异。研究为选择合适的方法提供了科学依据，对提高诊断研究的准确性具有重要意义。

　　

论文解读
诊断准确性研究在医学领域至关重要，其核心目标是评估新开发的测试指标在特定人群中的表现能力。然而，缺失值的存在常常导致研究结果的偏差，影响临床决策的准确性。为了应对这一挑战，Katharina Stahlmann等研究人员开展了一项模拟研究，旨在比较不同方法在处理连续指标测试缺失值时的表现。

该研究团队通过模拟数据，系统地评估了七种方法在估计AUC时的性能。这些方法包括多重插补（MI）、经验似然法和逆概率加权法等。研究结果表明，在完全随机缺失（MCAR）机制下，完整案例分析（CCA）和小样本量的标准MI方法表现良好；而在随机缺失（MAR）机制下，所有方法在样本量和患病率较小时均存在显著偏差。对于非随机缺失（MNAR）机制，大多数方法在样本量和相关性较低时均表现出偏差。

在技术方法上，研究人员采用了多重插补、经验似然法和逆概率加权法等多种统计技术。他们通过模拟生成了包含参考标准、连续指标测试和三个协变量的数据集，并人为引入了不同程度的缺失值。研究结果显示，在不同缺失机制和样本量下，各方法的效果存在显著差异。

具体而言，在MCAR机制下，CCA和标准MI方法在样本量较大时表现良好，而HDEL在小样本量下表现最佳。在MAR机制下，AIPW在高相关性和高患病率下表现优异，而mice和mix在大样本量和高相关性下表现较好。对于MNAR机制，AIPW、KER和mice在高相关性和大样本量下表现较好，但大多数方法在低相关性下均存在偏差。

研究结论指出，选择合适的方法取决于样本量、患病率以及指标测试与协变量之间的相关性。CCA和AIPW分别在MCAR和MAR机制下表现良好，而标准MI方法在大样本量和高相关性下具有优势。对于MNAR机制，尽管所有方法均存在偏差，但在高相关性和大样本量下，AIPW和KER表现相对较好。

这项研究为诊断准确性研究中缺失值的处理提供了重要的理论依据和实践指导。研究人员建议，在实际应用中，应根据具体研究条件和数据特点选择合适的方法，并在报告中详细说明所采用的处理策略及其合理性。此外，未来的研究应进一步探索多变量缺失值的处理方法，并将其纳入诊断研究的标准化流程中，以提高研究结果的可靠性和临床应用价值。

总之，Katharina Stahlmann等人的研究为诊断准确性研究中缺失值的处理提供了全面的比较分析和实用建议，对推动诊断研究的科学性和临床实践具有重要意义。