《Journal of Patient-Reported Outcomes》：Missing data considerations for patient reported outcome measures in randomized controlled trials
编辑推荐：
本期推荐聚焦临床试验中患者报告结局（PRO）缺失数据难题。研究者基于87种PRO工具及COU-AA-302试验真实数据，模拟评估项目级多重插补（MI）、总分级MI、项目均值插补及混合模型重复测量（MMRM）在MAR与MNAR假设下的表现。证实“半数规则”下项目均值插补的稳健性，揭示高分缺失率时总分插补优势，为PRO数据分析提供循证策略。
在临床研究的广阔天地里，数字与图表往往占据着绝对的话语权，但有一种声音，虽然微弱却至关重要，那就是患者自身的感受。患者报告结局（Patient-Reported Outcome, PRO）正是这样一种直接捕捉患者对健康状况和治疗体验主观评价的利器。从生活质量的细微变化到治疗带来的副作用困扰，PRO为医生和研究者打开了一扇窥探患者内心世界的窗户。然而，这扇窗户时常蒙尘——缺失数据如同挥之不去的幽灵，始终困扰着临床试验的分析。无论是患者因病情恶化退出，还是单纯忘记填写问卷，这些空白都会导致结果偏差，甚至让整个研究的结论变得不可靠。如何在迷雾中寻找真相，选择恰当的方法来填补这些空白，成为了统计学界与临床研究者共同面临的严峻挑战。
为了拨开这层迷雾，一项发表于《Journal of Patient-Reported Outcomes》的研究应运而生。该研究由相关团队主导，旨在通过严谨的模拟研究，对比不同缺失数据处理方法在现实场景下的表现。研究人员没有止步于理论推导，而是结合了对87种PRO工具的全面回顾，并在假设的随机对照试验框架下，构建了简单与复杂的问卷结构模型。更为难得的是，他们引入了来自COU-AA-302研究中前列腺癌患者使用功能性评估癌症治疗-前列腺（Functional Assessment of Cancer Therapy–Prostate, FACT-P）问卷的真实数据，使得模拟环境更加贴近临床实战。研究的核心在于评估四种常用武器：项目级多重插补（Multiple Imputation at the item level, MI-item）、总分级多重插补（MI at the total score level, MI-total）、项目均值插补（item mean imputation）以及重复测量的混合模型（Mixed Model for Repeated Measurements, MMRM）。通过在不同缺失机制——缺失随机（Missing At Random, MAR）和缺失非随机（Missing Not At Random, MNAR）——下反复演练，试图找出每种方法的“软肋”与“铠甲”。
为了支撑这一宏大的模拟工程，作者采用了几项关键技术方法。首先是基于文献综述的PRO工具特征建模，依据87种常用量表的条目数量和结构，构建了具有代表性的模拟问卷。其次是多情景缺失数据生成机制，分别在MAR和MNAR两种假设下，设定不同的条目缺失率和访视缺失率来模拟现实情况。核心的数据处理策略涵盖了上述的四种主流插补与分析方法。最后，研究结合了真实世界数据验证，利用COU-AA-302临床试验中收集到的FACT-P问卷数据，对模拟得出的结论进行了外部验证，确保了结果的普适性和可靠性。
结果
模拟结果支持MAR假设下的“半数规则”应用。 研究发现，在MAR条件下，当缺失的项目数量不超过总项目数的一半时，采用项目均值插补（item mean imputation）能够展现出令人满意的估计效果。这种方法不仅均方根误差（Root Mean Squared Error, RMSE）较低，意味着估计值与真实值接近，同时还保持了较高的统计效能（power）和较低的I类错误（type 1 error）风险。这为临床研究中处理少量缺失数据提供了一个简单而稳健的操作指南。
项目级多重插补表现优异但存在局限性。 对项目得分进行多重插补（MI on item scores）在所有测试场景中均表现出色，尤其是在处理复杂数据结构时显示出强大的适应性。然而，硬币总有另一面，在某些MNAR情景下，该方法表现出了I类错误膨胀的现象，即更容易错误地拒绝原假设，这提示研究者在使用该方法时需警惕假阳性风险。
访视缺失率改变方法优劣格局。 随着访视缺失率（missing visit rate）的攀升，项目级插补的优势逐渐减弱。数据显示，其RMSE值逐渐逼近并最终超过了总分级插补（MI on the total score）的表现。这表明，当患者失访率较高，导致整份问卷数据大量缺失时，执着于单个项目的精细插补反而可能不如直接对总分进行处理来得准确和稳定。
真实试验数据验证总分插补策略。 在对COU-AA-302研究中的FACT-P数据进行实际分析时，鉴于该数据集中较高的访视缺失率，总分级多重插补（MI on total score level）的表现并不逊色于项目级插补。这一发现为在高缺失率的实际临床试验中选择更为简便实用的分析策略提供了有力的实证支持。
结论与讨论
这项研究并没有给出一个“一招鲜吃遍天”的答案，而是深刻地揭示了缺失数据处理领域的复杂性：没有任何一种方法是万能的。研究明确指出，项目级插补（Item-level imputation）在缺失数据极少且符合MAR机制时是优选方案，但在面对MNAR数据时则显得力不从心。相反，对于那些结构复杂的PRO量表，或者在访视缺失率居高不下的研究中，遵循“半数规则”（Half Rule）在总分层面进行插补（imputing at the total score level）则提供了一种极具实用价值的替代方案。
这项研究的意义在于其强烈的现实指导意义。它打破了过去对于某种统计方法的盲目崇拜，强调策略必须匹配缺失模式（Strategies should match the missingness pattern）。通过引入基于真实数据的模拟验证，研究者为临床医生和生物统计学家提供了一份详尽的“作战地图”。最终，研究呼吁在未来的临床试验分析中，应结合模拟研究（simulations）和敏感性分析（sensitivity analyses）来支持决策，从而确保PRO数据分析结果的稳健性（robust results），真正让患者的声音在医疗决策中得到客观、准确的体现。
