临床试验数据分析实战:SAS多重填补处理重复测量缺失值的完整流程
在临床研究的漫长旅途中,数据就像一位时而沉默的伙伴。你精心设计了访视计划,记录了基线信息,却在某个关键的时间点,发现本该填满数据的单元格里,是一片令人心焦的空白。这种重复测量数据中的缺失,绝非简单的“数据丢失”,它背后可能隐藏着受试者的脱落、依从性问题,或是数据收集流程中的偶然疏漏。对于生物统计师和临床数据分析师而言,如何妥善处理这些缺失值,直接关系到疗效评估的准确性与研究结论的可信度。
传统的“直接删除”或“简单填补”早已被证明风险极高,可能引入难以察觉的偏倚。多重填补,作为一种更为稳健的统计策略,正成为处理这类复杂缺失模式,尤其是进行敏感性分析时的利器。它不满足于给出一个单一的、“看似完美”的填补值,而是通过构建多个可能的数据集,诚实地反映数据本身的不确定性,并将这种不确定性最终融入到统计推断中。本文将抛开繁复的理论推导,直接切入实战,手把手带你走完一个在SAS环境中,针对重复测量数据实施多重填补,并进行后续分析的完整闭环。我们会从模拟一个贴近现实的临床试验数据集开始,一步步完成数据准备、缺失模式诊断、基于FCS和delta调整的填补、模型分析,直至结果合并与解读。
1. 构建与理解你的战场:模拟临床试验数据集
在真正处理现实数据之前,创建一个结构清晰、特征已知的模拟数据集是绝佳的练兵场。这能让我们完全掌控数据的“前世今生”,从而更清晰地评估后续处理方法的效果。
1.1 生成一个“理想世界”的完整数据集
我们模拟一项为期约14周的临床试验,设有活性药组和安慰剂组。关键疗效指标是一个连续变量(例如,某种生物标志物的水平)。每位受试者将在基线及之后的5个特定时间点接受访视测量。
/* 定义访视时点标签 */
PROC FORMAT;
VALUE visitfmt 1 = ‘基线 (第0天)’
7 = ‘第7天访视’
14 = ‘治疗结束 (第14天)’
28 = ‘随访第28天’
42 = ‘随访第42天’
98 = ‘随访第98天’;
RUN;
/* 核心数据模拟步骤 */
DATA simulated_full;
LENGTH subject_id $8 treatment $10 gender $1;
ARRAY visit_points[6] _TEMPORARY_ (1, 7, 14, 28, 42, 98); /* 6个访视时点 */
CALL STREAMINIT(20231001); /* 设定随机种子,确保结果可重现 */
DO subject_num = 1 TO 150; /* 模拟150名受试者 */
/* 生成受试者ID */
subject_id = ‘STUDY-’ || PUT(subject_num, Z3.);
/* 随机分配性别 */
gender = IFC(RAND(‘BERNOULLI’, 0.52), ‘M’, ‘F’);
/* 随机分配治疗组 */
treatment = IFNC(RAND(‘BERNOULLI’, 0.5), ‘活性药组’, ‘安慰剂组’);
/* 模拟年龄,近似正态分布 */
age = ROUND(RAND(‘NORMAL’, 52, 12));
IF age < 18 THEN age = 18; /* 设置下限 */
IF age > 85 THEN age = 85; /* 设置上限 */
/* 模拟基线值 */
baseline_value = ROUND(RAND(‘NORMAL’, 100, 15));
/* 为每个访视时点生成测量值 */
DO i = 1 TO DIM(visit_points);
visit_number = visit_points[i];
visit_label = PUT(visit_number, visitfmt.);
/* 模拟疗效趋势:活性药组随时间有改善,安慰剂组基本稳定 */
IF treatment = ‘活性药组’ THEN DO;
time_effect = (visit_number / 10); /* 简单的线性时间效应 */
measurement = ROUND(baseline_value + time_effect + RAND(‘NORMAL’, 0, 8));
END;
ELSE DO; /* 安慰剂组 */
measurement = ROUND(baseline_value + RAND(‘NORMAL’, 0, 8));
END;
OUTPUT;
END;
END;
DROP subject_num i time_effect; /* 删除临时变量 */
FORMAT visit_label visitfmt.;
RUN;
提示:使用
CALL STREAMINIT()固定随机数种子至关重要,它保证了每次运行模拟程序都能得到完全相同的数据,这对于调试和结果复现是不可或缺的。
现在,我们得到了一个 长格式 的数据集 simulated_full。每个受试者-访视组合占一行,关键变量包括:
subject_id: 受试者唯一标识treatment,gender,age: 基线协变量visit_number,visit_label: 访视信息baseline_value: 基线测量值(每个受试者相同)measurement: 该访视点的实际测量值
这个数据集是完整的,没有缺失值,代表了理论上的“完美情况”。
1.2 引入现实的“残缺”:模拟缺失数据机制
真实的临床试验中,缺失总会以某种模式出现。我们根据常见的缺失机制来模拟:
- 完全随机缺失 (MCAR):缺失与任何观测或未观测数据无关。例如,实验室设备随机故障。
- 随机缺失 (MAR):缺失概率与观测到的数据有关,但与未观测到的缺失值本身无关。例如,年长受试者更容易失访,而年龄是观测到的。
- 非随机缺失 (MNAR):缺失概率与未观测到的缺失值本身有关。例如,病情加重的患者更可能退出研究,而“病情加重”这个信息恰恰缺失了。
下面的代码主要模拟了 MAR 和一点 MNAR 的混合模式:
DATA simulated_with_missing;
SET simulated_full;
BY subject_id;
RETAIN last_observed_visit .;
CALL STREAMINIT(20231002); /* 使用新种子模拟缺失 */
/* 基线数据不应缺失 */
IF visit_number = 1 THEN DO;
last_observed_visit = 1;
OUTPUT;
RETURN;
END;
/* 模拟MAR:年龄较大的受试者更容易发生缺失 */
mar_probability = 0.02 + (age / 1000); /* 年龄越大,缺失风险略增 */
IF RAND(‘BERNOULLI’, mar_probability) THEN DO;
DELETE; /* 删除该行,模拟此次访视数据缺失 */
RETURN;
END;
/* 模拟MNAR:如果当前测量值“异常低”(可能提示不良反应),则缺失风险更高 */
/* 注意:这是一个简化的、用于演示的假设 */
IF measurement < (baseline_value - 20) THEN DO;
IF RAND(‘BERNOULLI’, 0.3) THEN DO; /* 有30%概率缺失 */
DELETE;
RETURN;
END;
END;
/* 模拟访视依从性:一旦发生一次缺失,后续访视缺失概率增加(单调缺失模式的一部分) */
IF last_observed_visit < visit_number - 7 THEN DO;
IF RAND(‘BERNOULLI’, 0.15) THEN DO;
DELETE;
RETURN;
END;
END;
/* 如果通过所有“缺失考验”,则保留该观测,并更新最后观测到的访视 */
last_observed_visit = visit_number;
OUTPUT;
DROP mar_probability last_observed_visit;
RUN;
现在,simulated_with_missing 数据集更贴近现实,包含了不同机制和模式产生的缺失值。我们的分析目标通常是评估 第98天访视 的测量值相比基线的变化 (chg = measurement_98 - baseline_value),但 measurement_98 存在缺失。
2. 数据重塑与缺失模式诊断:为填补做准备
SAS中的多重填补过程,尤其是处理重复测量数据时,通常更便于在 宽格式 数据上进行。宽格式下,每个受试者占一行,不同时间点的测量值作为不同的变量。
2.1 从长格式到宽格式转换
PROC TRANSPOSE DATA=simulated_with_missing OUT=wide_format (DROP=_NAME_) PREFIX=meas_;
BY subject_id treatment gender age baseline_value;
ID visit_number;
VAR measurement;
RUN;
转换后,数据集 wide_format 的变量结构如下表所示:
| 变量名 | 描述 | 类型 |
|---|---|---|
subject_id | 受试者ID | 字符 |
treatment | 治疗组 | 字符 |
gender | 性别 | 字符 |
age | 年龄 | 数值 |
baseline_value | 基线值 | 数值 |
meas_1 | 基线测量值 | 数值 |
meas_7 | 第7天测量值 | 数值 |
meas_14 | 第14天测量值 | 数值 |
meas_28 | 第28天测量值 | 数值 |
meas_42 | 第42天测量值 | 数值 |
meas_98 | 第98天测量值(存在缺失) | 数值 |
2.2 系统性诊断缺失模式
在盲目开始填补之前,我们必须像医生一样先进行“诊断”。PROC MI 的 NIMPUTE=0 选项是一个强大的诊断工具。
PROC MI DATA=wide_format NIMPUTE=0;
CLASS treatment gender; /* 声明分类变量 */
VAR gender treatment age baseline_value meas_7 meas_14 meas_28 meas_42 meas_98;
RUN;
运行这段代码,SAS会在输出窗口生成关键的诊断信息:
- 缺失数据模式表:清晰地展示每个变量组合下的缺失情况。它能帮你快速判断是 单调缺失(一旦缺失,后续全部缺失)还是 任意缺失(缺失点随机分布)。临床试验中后访视缺失常导致单调模式,但中途脱落也可能产生任意缺失。
- 缺失数据汇总:给出每个变量的缺失数量和百分比。这是我们评估问题严重性的第一手资料。
注意:通常,如果主要终点变量缺失率超过一定阈值(例如,监管机构可能关注的>20%),研究结果的解释力将受到严重挑战,此时敏感性分析(如多重填补)的价值就更加凸显。
假设诊断结果显示,meas_98 的缺失率约为12%,且缺失模式为任意缺失。协变量 age、baseline_value 以及早期访视点 meas_28、meas_42 也与 meas_98 的缺失存在一定关联,这支持了 MAR 的假设,即利用观测到的数据来预测缺失值是合理的。
3. 执行多重填补:FCS方法与Delta调整
基于诊断,我们选择 完全条件设定法 (FCS),也称为链式方程法。它非常灵活,能同时处理连续变量和分类变量,且适用于任意缺失模式。其核心思想是:依次为每个含缺失值的变量建立回归模型(如线性回归、逻辑回归),用其他所有变量来预测它,并进行迭代,直到结果稳定。
3.1 基础FCS多重填补
我们先进行一个标准的、基于MAR假设的FCS填补。
PROC MI DATA=wide_format OUT=mi_mar SEED=54321 NIMPUTE=50;
CLASS treatment gender;
FCS REG; /* 使用FCS方法,对连续变量采用回归 */
VAR gender treatment age baseline_value meas_7 meas_14 meas_28 meas_42 meas_98;
RUN;
NIMPUTE=50:生成50个填补后的数据集。数量越多,估计通常越稳定,但计算成本也增加。20-100是常见范围,50是一个折中的稳健选择。SEED=54321:固定随机种子,确保填补过程可重现。OUT=mi_mar:输出数据集,其中包含一个额外的变量_Imputation_,取值从1到50,用于区分不同的填补数据集。
3.2 应对非随机缺失:Delta调整模式填补
然而,我们最初的模拟包含了一点MNAR的假设(测量值过低时更易缺失)。在敏感性分析中,我们需要检验如果缺失机制不是MAR(即MNAR),结论是否会改变。Delta调整 是一种相对直观的MNAR敏感性分析方法。
它的思路是:假设在某个治疗组(例如活性药组)中,缺失的测量值系统地比我们基于MAR假设预测的值要差(或好)一个固定量(delta)。我们在填补过程中,对指定组的指定变量加上这个 delta 偏移量。
PROC MI DATA=wide_format OUT=mi_mnar_delta SEED=54321 NIMPUTE=50;
CLASS treatment gender;
VAR gender treatment age baseline_value meas_7 meas_14 meas_28 meas_42 meas_98;
FCS REG;
MNAR ADJUST(meas_98 / SHIFT = -5 ADJUSTOBS = (treatment = ‘活性药组’));
RUN;
这段代码的含义是:在填补 meas_98 时,对于那些在 活性药组 且该值缺失的受试者,在基于MAR模型生成的填补值上,再统一 减去5个单位(SHIFT = -5)。这模拟了一种最坏情况——活性药组中退出的患者,其真实结果比我们乐观估计的要差5个单位。
提示:
delta值的设定需要临床合理性。可以参考该指标的临床重要差值、历史数据中的变异程度,或与临床专家共同商定。通常我们会尝试一系列delta值(例如 -3, -5, -8)来进行全面的敏感性分析。
4. 在填补后的数据集上进行统计分析
填补步骤产生了多个完整的数据集(mi_mar 和 mi_mnar_delta)。接下来,我们需要在每个数据集上独立执行我们计划好的统计分析模型。
4.1 准备分析数据集
首先,在每个填补数据集中创建我们关心的终点变量——相对于基线的变化值。
DATA mi_mar_analysis;
SET mi_mar;
chg_98 = meas_98 - baseline_value; /* 主要终点:98天较基线的变化 */
RUN;
DATA mi_mnar_delta_analysis;
SET mi_mnar_delta;
chg_98 = meas_98 - baseline_value;
RUN;
4.2 拟合ANCOVA模型
我们计划使用协方差分析 (ANCOVA) 模型来比较两组间 chg_98 的差异,以基线值、年龄和性别作为协变量。使用 PROC MIXED 并配合 BY _Imputation_; 语句,可以自动在50个数据集上分别运行模型。
/* 在MAR填补数据集上分析 */
PROC MIXED DATA=mi_mar_analysis;
BY _Imputation_;
CLASS treatment gender;
MODEL chg_98 = baseline_value age gender treatment / SOLUTION DDFM=KR;
LSMEANS treatment / DIFF CL;
ODS OUTPUT LSMEANS=lsmeans_mar DIFFS=diffs_mar;
RUN;
/* 在MNAR Delta调整填补数据集上分析 */
PROC MIXED DATA=mi_mnar_delta_analysis;
BY _Imputation_;
CLASS treatment gender;
MODEL chg_98 = baseline_value age gender treatment / SOLUTION DDFM=KR;
LSMEANS treatment / DIFF CL;
ODS OUTPUT LSMEANS=lsmeans_mnar DIFFS=diffs_mnar;
RUN;
现在,我们得到了四组结果数据集:lsmeans_mar、diffs_mar、lsmeans_mnar、diffs_mnar。每个数据集中都包含50行(对应50次填补)的估计值 (Estimate) 和标准误 (StdErr) 等信息。
5. 合并结果:Rubin法则
最后一步,也是多重填补的精髓所在,就是使用 Rubin法则 将50次分析的结果合并为一个总的点估计和标准误(进而计算置信区间和p值)。SAS的 PROC MIANALYZE 专为此设计。
5.1 合并组间差异估计(主要关注点)
我们最关心的是治疗组与安慰剂组在 chg_98 上的最小二乘均值差。
/* 合并MAR分析下的组间差异结果 */
PROC MIANALYZE DATA=diffs_mar;
ODS OUTPUT PARAMETERESTIMATES=pooled_diffs_mar;
MODELEFFECTS Estimate;
STDERR StdErr;
RUN;
/* 合并MNAR Delta分析下的组间差异结果 */
PROC MIANALYZE DATA=diffs_mnar;
ODS OUTPUT PARAMETERESTIMATES=pooled_diffs_mnar;
MODELEFFECTS Estimate;
STDERR StdErr;
RUN;
5.2 解读合并后结果
运行 PROC MIANALYZE 后,查看输出或 pooled_diffs_mar 数据集,你会得到类似下表的结构:
| 分析场景 | 均值差估计 | 合并后标准误 | 95% 置信下限 | 95% 置信上限 | p值 |
|---|---|---|---|---|---|
| MAR填补 (主分析) | -8.42 | 2.15 | -12.66 | -4.18 | 0.0002 |
| MNAR Delta调整 (敏感性分析) | -6.91 | 2.31 | -11.44 | -2.38 | 0.0035 |
解读要点:
- 主分析 (MAR):结果显示活性药组相比安慰剂组,平均多降低了约8.42个单位,且具有高度统计学意义(p=0.0002)。这支持了活性药的有效性。
- 敏感性分析 (MNAR):在假设活性药组缺失者结果更差(
delta = -5)的悲观情境下,组间差异缩小至-6.91,但置信区间仍完全位于零的左侧,且p值依然显著(0.0035)。 - 结论稳健性:尽管点估计值有所衰减,但治疗效应的统计学显著性在两种不同的缺失数据假设下都得以保持。这极大地增强了我们对于“活性药有效”这一结论的信心,表明该结论不太可能仅仅是由我们对缺失数据的特定处理方式所驱动的。
整个流程走下来,感觉最关键的其实不是SAS代码本身,而是对缺失机制的理解和临床情境的把握。代码只是工具,PROC MI 和 PROC MIANALYZE 的语法相对固定。真正的功夫在事前:和临床团队深入讨论缺失的可能原因,确定合理的 delta 值范围,并设计一套从主分析到一系列敏感性分析的完整策略。在实际项目中,我通常会同时运行MMRM模型(它本身是一种处理MAR的模型)和多重填补下的ANCOVA,并将结果放在一起比较,如果结论一致,那份踏实感是任何单一方法都无法给予的。记住,处理缺失数据的目标不是“消除”缺失,而是“量化”缺失带来的不确定性,并证明你的核心结论能够经受住这种不确定性的考验。
559



被折叠的 条评论
为什么被折叠?



