Die Missing-Data-Analyse beschreibt den Umgang mit fehlenden Daten in klinischen Studien. Fehlende Werte entstehen, wenn bestimmte Informationen im Verlauf einer Studie nicht erhoben werden können oder verloren gehen. Das kann einzelne Messzeitpunkte betreffen oder ganze Datensätze. Eine systematische Analyse fehlender Daten ist wichtig, da sie die Aussagekraft der Studienergebnisse beeinflussen kann.
Die Missing-Data-Analyse ist ein Bestandteil von Statistik und Analyse, fokussiert sich jedoch ausschließlich auf die Frage, warum Daten fehlen und wie mit diesem Fehlen umgegangen wird. Ziel ist es, Verzerrungen zu erkennen und die Interpretation der Ergebnisse abzusichern.
Fehlende Daten entstehen aus unterschiedlichen Gründen. Häufig verlassen Teilnehmende eine Studie vorzeitig. Das wird als Drop-out-Rate bezeichnet. In anderen Fällen werden einzelne Untersuchungen nicht durchgeführt, zum Beispiel wegen Krankheit, Terminproblemen oder technischer Schwierigkeiten.
Auch unvollständig ausgefüllte Fragebögen oder fehlende Laborwerte können zu Missing Data führen. Wichtig ist dabei: Fehlende Daten sind nicht automatisch ein Fehler. Sie sind ein realistischer Bestandteil klinischer Forschung und müssen daher strukturiert bewertet werden.
Bei der Missing-Data-Analyse wird unterschieden, ob Daten zufällig oder systematisch fehlen. Fehlen Daten zufällig, hat ihr Ausfall keinen erkennbaren Zusammenhang mit der Behandlung oder dem Gesundheitszustand der Teilnehmenden. Kritischer sind systematische Ausfälle, etwa wenn Teilnehmende mit stärkeren Nebenwirkungen häufiger abbrechen.
In solchen Fällen kann das Fehlen von Daten die Ergebnisse verzerren. Deshalb ist es entscheidend, die Ursachen genau zu dokumentieren und transparent darzustellen.
Missing Data sind nicht mit Datenausreißern zu verwechseln. Während bei Missing Data Werte vollständig fehlen, liegen bei Ausreißern zwar Daten vor, sie weichen jedoch stark vom erwarteten Bereich ab. Beide Phänomene erfordern unterschiedliche Bewertungsansätze und dürfen nicht gemeinsam behandelt werden.
Es gibt verschiedene Strategien, um mit fehlenden Daten umzugehen. In manchen Fällen werden nur vollständige Datensätze ausgewertet. In anderen Fällen werden fehlende Werte geschätzt oder durch modellbasierte Verfahren berücksichtigt. Welche Methode eingesetzt wird, hängt vom Studienprotokoll und der Art der fehlenden Daten ab.
Entscheidend ist, dass der gewählte Umgang mit Missing Data vorab geplant und im Studienprotokoll festgelegt wird. Nachträgliche Anpassungen können die Glaubwürdigkeit der Ergebnisse beeinträchtigen.
Eine sorgfältige Missing-Data-Analyse trägt wesentlich zur statistischen Validität einer Studie bei. Sie hilft dabei, Verzerrungen zu erkennen, Ergebnisse realistisch einzuordnen und falsche Schlussfolgerungen zu vermeiden.
Zusammengefasst ist die Missing-Data-Analyse kein technisches Detail, sondern ein zentraler Bestandteil der Qualitätsbewertung klinischer Studien. Sie sorgt dafür, dass Studienergebnisse auch dann verlässlich bleiben, wenn nicht alle Daten vollständig vorliegen.
