Abstrait

Analyse des modèles de sélection pour les essais cliniques longitudinaux incomplets en raison d'abandons : une application aux données d'essais multicentriques

Ali Satty

Un problème courant rencontré en analyse statistique est celui des données manquantes, qui se produit lorsque certaines variables ont des valeurs manquantes dans certaines unités. Le présent article traite de l'analyse de mesures longitudinales continues avec des données incomplètes en raison d'un abandon non ignorable. Dans les données de mesures répétées, comme solution à un tel problème, le modèle de sélection suppose un mécanisme d'abandon dépendant du résultat et conjointement la mesure et le processus d'abandon des mesures répétées. Nous envisageons la construction d'un type particulier de modèle de sélection qui utilise un modèle de régression logistique pour décrire la dépendance des indicateurs d'abandon sur la mesure longitudinale. Nous nous concentrons sur l'utilisation du modèle de Diggle-Kenward comme outil pour évaluer la sensibilité d'un modèle de sélection en termes d'hypothèses de modélisation. Notre objectif principal ici est d'étudier l'influence sur l'inférence qui pourrait être exercée sur les données considérées par le processus d'abandon. Nous limitons notre attention à un modèle pour les mesures gaussiennes répétées, sujettes à un abandon potentiellement non aléatoire. Pour étudier ce phénomène, nous réalisons une application d'analyse d'un essai clinique longitudinal incomplet avec abandon en utilisant un exemple pratique sous la forme de données d'essai clinique multicentrique.