外部对照研究中四种缺失数据处理策略与边际估计量的性能比较：模拟研究启示

为解决外部对照研究(EC)中缺失数据和未测量混杂因素导致的偏倚问题，研究人员通过基于两个真实案例的模拟研究，系统评估了多重插补(MI)三种策略(队列内、跨队列及混合模式)及协变量剔除法的性能。研究发现队列内MI与未治疗者平均效应(ATU)组合表现最优，而剔除高缺失率预后因素策略效果最差，为EC研究中的因果推断方法选择提供了实证依据。

　　

当外部对照研究(External Comparator, EC)遭遇数据缺失的困扰时，科研团队展开了一场精密的"数据救援"模拟实验。基于两个真实世界案例构建的仿真系统，重点测试了多重插补(Multiple Imputation, MI)的三种战术：严守队列疆界的"内部插补"、打破队列壁垒的"跨队列插补"，以及二者融合的"混合模式"。还额外考察了简单粗暴的"协变量剔除术"——当缺失值超过阈值时直接放弃该变量。

这些方法在四大边际估计量战场上一较高下：全体人群平均处理效应(ATE)、治疗者平均效应(ATT)、未治疗者平均效应(ATU)，以及重叠人群平均效应(ATO)。模拟设定中，缺失数据这个"捣蛋鬼"只出现在EC队列，研究者则祭出倾向评分加权(Propensity Score Weighting)这个因果推断利器来降服混杂因素。

结果显示，"内部插补+ATU"组合犹如精准的手术刀，能最大程度切除偏倚肿瘤；而随意放弃预后因素的"协变量剔除术"则像钝刀割肉，效果惨不忍睹。这项研究为EC领域的学者们绘制了清晰的"抗偏倚作战地图"，特别建议在标准分析流程中加入偏倚估计与校正模块，让因果推断的结论更加可靠。