Klinische Studien II

Validität und Kollektive

Fehlende Werte (Missing Data), Bias

  • Fehlende Daten sind ein Problem. Sie stellen das ITT-Prizip infrage.
  • Daher sollten z.B. auch Therapie-Abbrecher (wenn einverstanden) nach Protokoll
    weiter beobachtet werden
  • Power-Verlust (durch Reduktion der Zahl auswertbarer Daten)
  • Fehler bei der Schätzung der Varianz (Extremwerte bei Patienten mit fehlenden
    Daten)
  • Bias durch systematische Abweichungen der Patienten mit fehlenden Daten
 
Bias durch Missing Data
  • Fehlende Daten können einen Bias erzeugen
  • Der Bias kann sich auf folgende Bereiche beziehen:
    • Schätzung des Therapieeffekts
    • Schätzung der unerwünschten Effekte
    • Vergleichbarkeit der Prüfgruppen
    • Repräsentativität bezüglich der Indikation
  • Die Größe des Bias hängt von der Assoziation des Fehlens mit der Größe der Zielvariable ab:
    • Geringe Assoziation: geringer Bias
    • Hohe Assoziation: großer Bias
  • Der Bias hängt aber nicht von der Assoziation des Fehlens zu den
    Behandlungsgruppen ab (falls keine Assoziation zur Größe der Zielvariable
    vorliegt).
 

Diskussion