Cambios longitudinales y datos faltantes

Al finalizar este tema

Podrá distinguir entre sujeto, tiempo y observación en los datos longitudinales y registrar cómo el abandono del estudio afecta la estructura temporal y los supuestos sobre los datos faltantes. Distinguirá entre una comparación simple de promedios en cada punto temporal y las preguntas sobre los cambios individuales.

Las mediciones repetidas en el tiempo no son muestras independientes

Cuando se mide al mismo sujeto en múltiples puntos temporales, los valores dentro de un mismo sujeto están correlacionados. La estructura del análisis depende de si la pregunta de investigación se refiere a la diferencia promedio entre puntos temporales o a la trayectoria de cambio individual por sujeto. Se deben registrar junto con esto el intervalo de tiempo, el orden de medición y el abandono del estudio.

Esquema longitudinal

subject_id | time | outcome | exposure | observed
S01        | 0    | ...     | A        | true
S01        | 1    | ...     | A        | false

observed=false solo indica que un valor está ausente, pero no explica la causa de la falta de datos. Debe registrarse si hubo una interrupción después de la última observación, un error en la medición o una exclusión del estudio.

Analizar el cambio y la falta de datos en conjunto

Si los datos faltantes se concentran en un momento o condición específicos, la trayectoria media observada podría diferir del cambio real. No se deben confirmar los nombres MCAR, MAR u MNAR basándose únicamente en los datos; en su lugar, se debe verificar el proceso de interrupción y las razones de la medición. Se debe informar por separado el número de sujetos incluidos en el análisis y el número de observaciones por punto temporal.

Enfoque del análisis

El resumen simple se puede utilizar para explorar la forma de los datos en cada punto temporal. Para modelar la correlación intra-sujeto y la variabilidad entre grupos, se puede considerar una estructura como un modelo mixto. Independientemente del método utilizado, se debe especificar la unidad de tiempo, el punto de referencia, el manejo de los datos faltantes y el rango de extrapolación.

Tabla para informar el tiempo y la interrupción

Registre por separado el número planificado de sujetos, el número real de observaciones y el número de nuevas interrupciones por punto temporal. Informar solo la tasa total de datos faltantes no permite saber a partir de qué momento se concentró la interrupción. También se debe verificar si el número de observaciones por condición varía con el tiempo.

El tiempo se puede expresar como número de visita, tiempo transcurrido real o puntos temporales categóricos. Incluso para el mismo time=1, si los intervalos reales difieren, el significado de la tasa de cambio puede variar; por lo tanto, se debe especificar la unidad y el punto de referencia.

Volver a la pregunta de investigación para interpretar

Los resultados longitudinales deben distinguir entre "la media en el punto temporal 1 es diferente de la media en el punto temporal 2" y "hubo un cambio dentro del mismo sujeto". No se deben extender las trayectorias solo de los sujetos observados en datos con interrupciones para representar el cambio de toda la población.

Errores comunes

• No se deben contar los puntos temporales del mismo sujeto como muestras independientes.
• No se debe asumir automáticamente que el último valor observado es el resultado final.
• No se deben agrupar todas las interrupciones bajo la misma causa de falta de datos.
• No se deben confirmar las suposiciones sobre la falta de datos solo con los datos.

Resumen clave

• Los datos longitudinales tienen una estructura de conexión entre sujeto y tiempo.
• La interrupción es parte de la estructura temporal y de las suposiciones sobre la falta de datos.
• El cambio promedio y el cambio intra-sujeto son preguntas diferentes.

Próximo tema

En el siguiente módulo, se abordarán los datos de supervivencia con censura, el conjunto de riesgo y Kaplan-Meier.

Referencias

• API de statsmodels: https://www.statsmodels.org/stable/api.html
• Diseño experimental OSTA de Bioconductor: https://bioconductor.org/books/release/OSTA/pages/bkg-exp-design.html
• Guía del usuario de pandas: https://pandas.pydata.org/docs/user_guide/index.html

El esquema longitudinal y los ejemplos de este capítulo fueron elaborados de forma independiente por BioStatPy.