基于贝叶斯方法的临床试验中缺失数据的因果参考模型分析

临床试验的统计分析常因缺失数据而复杂化。患者有时会经历intercurrent events（ICEs），通常（尽管并非总是如此）导致此类个体后续结果测量缺失。Carpenter等人于2013年提出了参考基 imputation 方法，已被广泛用于处理因ICEs导致的缺失数据，以估计治疗政策策略估计量。传统做法下，参考基估计量的方差采用Rubin准则获得。然而，Rubin准则方差估计量因不兼容性而偏离点估计量的重复抽样方差。重复抽样方差估计量作为参考基估计量的方差估计备选方案，但其特性是随ICEs比例增加而减小。White等人于2019年引入包含'维持治疗效应'概念的因果模型，表明该因果模型将包含常见参考基估计量的特殊情况。在此框架基础上，我们提出为维持效应参数引入先验分布，以-account for此假设的不确定性。我们的方法为参考基估计量提供推断，显式反映我们对ICEs发生后治疗效应维持程度的不确定性。在ICEs后几乎或几乎没有观测数据存在的试验中，可采用所提出的贝叶斯参考基因因果模型方法，估计治疗政策治疗效应，incorporating对参考基假设不确定性。我们通过模拟及抗抑郁药试验应用案例，比较了该方法与现有参考基方法的频率属性。