研究实例

某研究人员拟研究针灸疗法对于治疗肩部疼痛的效果，设计了一个随机单盲对照临床试验，一共纳入了52名患有肩袖肌腱炎的运动员，随机分为2组，分别接受针灸治疗和虚拟针灸治疗，治疗共持续4周，研究以基线和治疗后的肩关节评分作为疗效评价指标，最终共有45名研究对象完成了本次临床试验。

在该研究中，有7名（13.5%）研究对象因为各种各样的原因退出了本次临床试验，其中试验组3名，对照组4名，研究人员未能真实地记录到他们治疗后的疗效情况，无法准确评估治疗效果，由于病例脱落而产生了缺失数据。

在临床试验的过程中，病例脱落是非常常见的，而且往往也是不可避免的，缺失数据不仅会降低临床试验统计分析的把握度，而且会给试验结果的评价带来一定的偏倚。那么，为了保证研究结果的稳定性和可靠性，我们今天就来讨论一下，在进行统计分析时，应该如何科学有效的处理这些缺失数据呢？

1、直接剔除法

当脱落病例占总病例数量的比例很小时，而且病例脱落是完全随机发生的，即脱落的原因与临床试验本身无关，例如研究对象因工作出差而退出研究，或搬家而造成失访等，此时可以考虑直接舍弃脱落病例产生的缺失记录，形成一个完全数据集，仅对记录完整的数据进行统计分析（complete case analysis）。

然而，在实际研究中，缺失数据往往占有相当的比重，直接删除缺失数据会丢失大量信息，减少了对原始数据的利用效率，造成资源浪费，特别是当样本量本身很少的时候。此外，盲目删除缺失数据可能导致统计分析结果产生一定的偏倚，当缺失数据和完全观测的数据之间存在系统差异时，会影响研究结论的客观性及正确性，甚至可能会得出错误的结论。

2、单一填补法：LOCF