Guide pratique pour comprendre les publications scientifiques. Épisode 9 – données manquantes - 06/01/25

Practical guide to understanding scientific publications. Episode 9 – Missing data

Doi : 10.1016/j.jidi.2024.10.003

Victor Dumas ^a, Jean-Pierre Tasu ^a,⁎, ^b
^a Service de radiologie diagnostique et interventionnelle, hôpital la Milétrie, CHU de Poitiers, 2, rue de la Milétrie, BP 577, 86021 Poitiers cedex, France
^b Laboratoire de traitement de l’information médicale (LaTim), Inserm UMR 1101, université de Bretagne Occidentale, 22, avenue Camille-Desmoulins, 29238 Brest cedex, France

^⁎Auteur correspondant : Service de radiologie diagnostique et interventionnelle, hôpital la Milétrie, CHU de Poitiers, 2, rue de la Milétrie, BP 577, 86021 Poitiers cedex, France.Service de radiologie diagnostique et interventionnelle, hôpital la Milétrie, CHU de Poitiers2, rue de la Milétrie, BP 577Poitiers cedex86021France

Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Monday 06 January 2025

Résumé

Introduction

Dans une recherche, les données manquantes ou valeurs manquantes correspondent au cas où aucune valeur n’est représentée pour une variable pour une observation donnée. Les données manquantes sont une réalité omniprésente dans la recherche médicale.

Messages principaux

Il existe trois types de données manquantes. Les données manquantes de manière complètement aléatoire (missing completely at random [MCAR]) sont indépendantes à la fois des variables observables et des paramètres d’intérêt non observables. Les données manquantes aléatoirement (missing at random [MAR]) ne sont pas aléatoires, mais elles peuvent être entièrement expliquées par des variables pour lesquelles il existe des informations complètes. Les données manquantes par omission prévisible (missing not at random [MNAR]) sont des données manquantes à cause de la valeur de la donnée. Il existe différents moyens de tenir compte de la présence de données manquantes : l’imputation simple et multiple, l’omission et l’analyse. Ces différentes méthodes sont discutées dans cet article.

Conclusion

La gestion appropriée des données manquantes est cruciale pour garantir des résultats fiables et des conclusions valides. Cet article détaille les différentes notions liées aux données manquantes.

Le texte complet de cet article est disponible en PDF.

Summary

Introduction

In research, missing data or missing values correspond to the case where no value is represented for a variable for a given observation. Missing data are an omnipresent reality in medical research.

Main message

There are 3 types of missing data. Missing Completely At Random (MCAR) are independent of both observable variables and unobservable parameters of interest. Missing at Random (MAR) data are not random but can be fully explained by variables where complete information exists. Missing Not At Random (MNAR) is data that are missing because of the value of the data. There are various ways of accounting for missing data: single and multiple imputations, omission and analysis. These different methods are discussed in this article.

Conclusion

Appropriate management of missing data is crucial to ensure reliable results and valid conclusions. This article details the various notions associated with missing data.

Le texte complet de cet article est disponible en PDF.

Mots clés : Données manquantes, Imputations multiples, Biais

Keywords : Missing data, Multiple imputations, Bias