给编辑:
我们饶有兴趣地阅读谷口的文章等。1题为“吡非尼酮特发性肺纤维化”。这些作者已经率先为特发性肺纤维化这种新型抗纤维化药物的调查,他们的努力是值得赞扬的。在伴随他们的手稿,羽衣社论2指出了一些研究的不足之处是对结果的可靠性提出顾虑。我们同意拉德2(和作者在讨论部分评论),这些限制(以及其他未提及的)减损这项研究的结果,其临床意义,其中继续研究界受到质疑的有效性,并强调有必要作进一步调查吡非尼酮的。
我们想用谷口的文章等。1突出有关常规纵向研究,特别注重运用统计分析和结果的报告几点。首先,我们认为研究团体已超越凡使用的混合效应(也称为线性混合,随机效应,随机系数或层级)模型是一个新奇的点;的确,分析这些模型数据的能力几乎在每一个统计软件包已经面世多年。的混合效应模型的优点包括以下内容:1)的全部信息都可以使用(插补是没有必要的,从而避免壳体明智缺失由于丢失的数据);2)模型结构是非常灵活的,并且,相反,ANCOVA,允许随时间变化的协变量;3)放宽了一些关于丢失数据的固有在不使用的所有数据的分析的假设。这些有益的方面允许这些模型产生关于群体如何随时间变化的信息,如何干预措施效果的变化,以及如何病人的特点可能会影响疗效3。除了使用混合效应模型来分析数据,他们的主要终点,谷口等。1使用协方差分析,缺少数据的归集的最后一次观察结转(LOCF),即达不到又该方法,我们认为,对于分析纵向数据的最低标准。
除了使用混合效应模型来分析纵向数据,我们敦促调查人员从被窝里使用LOCF的缺失数据的归集向前移动;也可适当在某些研究使用LOCF,但也可能不是。有一些方法,作者可以用它来更好地说服读者,LOCF适合他们的研究(简要讨论如下),并且使用LOCF时灵敏度分析总是表示。
谷口等。1使用混合模型方法作为灵敏度分析,而不是将它作为主要分析的方法中,但他们没有提到在他们的方法中使用的协变量或协方差结构。此外,他们还指出,敏感性分析“显示显著或略有显著的治疗效果,并支持LOCF,”但他们没有透露这些结果。报告这些结果,这很容易在网上补充材料提供,将进一步说服读者,使用LOCF的是合理的。
不是由谷口报道的更多信息等。1这将有助于读者更好地理解数据中包含缺失数据的科目数的全面报告,这可能是完成通过每处理一个情节ARM公司最后评估分层(图。1)。在图1虽然LOCF似乎适合于组1,它不会是对组2或3,因为它的结果是上一个向上的轨迹组2和组3。因此一个向下的轨迹,用于组2和3,LOCF人为放气或膨胀最后的考察访问后的时间点结果值。
谷口等。1写“我们的印象是LOCF不会打破平衡有利于无论是治疗组,如果有在辍学率没有重大分歧之下。”然而,辍学率只告诉故事的一部分。其包括用于通过原因跌落式/丢失数据分层每个臂曲线(A图例如缺乏功效/疾病进展,治疗和其它的副作用)的将在滴出之前的轨迹是否是用于患者不同原因跌落式类似阐明,以及是否不丢失数据是随机完全缺失。这有什么方面应该用于输入缺失值方法的影响。无论是哪种情况,读者需要知道作者在不经意间有更大的辍学更好看他们来处理缺失数据的方法使得手臂。
在他们的研究中,谷口等。1都面临与谁跑纵向研究的研究人员共同面临的障碍;这些包括辍学和丢失的数据。混合效应模型分析纵向数据提供了一个强大和灵活的统计方法,应尽可能使用。通过作者,包括丢失的数据的数量的充分披露和missingness的理由努力(以实现对地块分层为什么数据丢失的原因各臂),将帮助读者更好地理解,理解和应用成果。
脚注
利益声明
对于J. Swigris感兴趣的说明可以在这里找到www.www.qdcxjkg.com/misc/statements.dtl
- ©2010 ERS