Research

Packages

Life of the unit

Next seminars

30 avril 2019 Nathalie Pelletier-Fleury (DR Inserm, Centre de recherche en Epidémiologie et Santé des Populations, UMR 1018) La surmédicalisation dans la maladie d'Alzheimer.

23 mai 2019 Florian Naudet Obtenir l'AMM pour les nuls. Chapitre 1, les méta-analyses

Last publications

Updated

MDIMP - Impact des données manquantes potentiellement informatives et de leur imputation sur l'analyse de mesures subjectives en santé

Résumé

Les données manquantes sont très souvent informatives dans le domaine des mesures subjectives en santé (mesure de la santé perceptuelle, de la qualité de vie...). En effet, il est courant d'observer que les patients dont l'état de santé est le plus dégradé sont ceux qui présentent le plus de données manquantes. En outre, ces données manquantes peuvent être assez nombreuses, ce qui rend leur gestion délicate.

Il est donc courant d'imputer ces données manquantes, c'est-à-dire de les remplacer par des valeurs probables, afin de limiter leur impact, notamment en ce qui concerne la perte de puissance d'une étude. Néanmoins, une mauvaise imputation peut créer des biais d'analyse. Généralement, on remplace dans le domaine des mesures subjectives en santé une donnée manquante à un item par le score moyen observé pour le même individu à l'ensemble des autres items.

L'impact de cette méthode d'imputation, ou encore d'autres méthodes d'imputation, a été assez peu étudié. Le but de ce travail est de déterminer l'impact potentiel des différentes méthodes d'imputation sur l'analyse de ces données, afin de pouvoir recommander une méthode d'imputation (ou éventuellement une autre méthode de gestion des données manquantes), qui permette à la fois de préserver la puissance d'une étude, sans toutefois créer de biais.

Ce travail de longue haleine nécessite tout d'abord d'étudier les propriétés des différentes méthodes d'imputation dans des cas classiques.

Investigateur(s) et membre(s) de l'équipe impliqué(s) dans ce projet

Co-investigateur : Hardouin Jean-Benoit

Co-investigateur : Sébille Véronique

Thèses associées

• Jean-François Hamel : Identification de stratégies d'analyse de variables latentes dans les études transversales en présence de données manquantes potentiellement informatives (soutenue le 02 décembre 2014)
  
  

Publications liées

• Hamel JF, Sébille V, Le Neel T, Kubis G, Boyer F, Hardouin JB (2017) What are the appropriate methods for analyzing patients reported outcomes in randomized trials when data are missing?. Statistical Methods in Medical Research, 26(6): 2897-2908.
  
  
• de Bock E, Hardouin JB, Blanchin M, Le Neel T, Kubis G, Dantan E, Bonnaud-Antignac A, Sébille V (2016) Rasch-family models are more valuable than score-based approaches for analysing longitudinal PRO with intermittent missing data. Statistical Methods in Medical Research , 25(5): 2067–2087.
  
  
• (Soumis) Blanchin M, Hardouin JB, Le Neel T, Kubis G, Sébille V (2016) CTT and Rasch-based approaches for joint analysis of group and time effects of longitudinal Patient Reported Outcomes: impact of dropout mechanisms..
  
  
• Hamel JF, Hardouin JB, Le Neel T, Kubis G, Roquelaure Y, Sébille V (2012) Study of different methods for comparing groups by analysis of subjective health measurements. PLoS One, 7(10): e44695.
  
  
• Hardouin JB, Conroy R, Sébille V (2011) Imputation by the mean score should be avoided when validating a Patient Reported Outcomes questionnaire by a Rasch model in presence of informative missing data. BMC Medical Research Methodology, 11(105): 1-13.
  
  
• Sébille V, Hardouin JB, Mesbah M (2007) Sequential analysis of latent variables using mixed-effect latent variable models: impact of non-informative and informative missing data. Statistics in Medicine, 26(27): 4889-4904.
  
  

Communications liées

• Hardouin J.B., Sébille V. Comparaison de méthodes d'imputation de données manquantes pour l'analyse de mesures subjectives en santé . Biostatistique et mesures subjectives en santé, Nantes, 2008, 2008.
  
  
• Hardouin J.B., Sébille V. Impact des méthodes d'imputation de données manquantes pour l'analyse de mesures subjectives en santé. 39e journées de la statistique, Angers, 2007, 2007.
  
  
• Hardouin J.B., Sébille V. Impact of imputation methods for missing data for the analysis of subjective health outcome measures. International Workshop on Advances in Rasch Modelling - Vannes - France - 4-8 June 2007, 2007.
  
  

Période envisagée

Début : Décembre 2006