Bereitstellung eines GRADE-Leitfadens für die Bewertung des Bias-Risikos eines Evidenzkörpers, wenn in systematischen Übersichtsarbeiten Daten von dichotomen und kontinuierlichen Endpunkten fehlen.
Systematische Bestandsaufnahme der publizierten methodologischen Forschung, iterative Diskussionen, Erprobung in systematischen Übersichtsarbeiten sowie Feedback der GRADE-Arbeitsgruppe.
Der methodische Zugang beginnt mit einer primären Meta-Analyse unter Verwendung einer Analyse der vollständigen Fälle („complete case analysis“), gefolgt von Sensitivitäts-Meta-Analysen, in denen für jede Studie mit fehlenden Daten Imputationen vorgenommen werden und anschließend über alle Studien hinweg gepoolt wird. Für dichotome Endpunkte empfehlen wir die Verwendung des „plausiblen Worst-Case“, in dem die Review-Autorinnen und -autoren davon ausgehen, dass Studien mit fehlenden Daten in den Behandlungsarmen proportional höhere Ereignisraten aufweisen als Studien mit kompletten Daten. Für kontinuierliche Ergebnismaße werden die imputierten Mittelwerte von anderen Studien innerhalb der systematischen Übersichtsarbeit und die Standardabweichungen von der medianen Standardabweichung der Kontrollgruppen aller Studien herangezogen.
Wenn die Ergebnisse der primären Meta-Analyse gegenüber den extremsten Annahmen, die als plausibel angesehen werden, robust sind, stuft man die Vertrauenswürdigkeit der Evidenz aufgrund des Bias-Risikos wegen fehlender Teilnehmer-Ergebnisdaten nicht herab. Wenn sich die Ergebnisse als nicht robust gegenüber plausiblen Annahmen erweisen, würde man die Vertrauenswürdigkeit der Evidenz aufgrund des Bias-Risikos herabstufen.
To provide GRADE guidance for assessing risk of bias across an entire body of evidence consequent on missing data for systematic reviews of both binary and continuous outcomes.
Systematic survey of published methodological research, iterative discussions, testing in systematic reviews, and feedback from the GRADE Working Group.
Approaches begin with a primary meta-analysis using a complete case analysis followed by sensitivity meta-analyses imputing, in each study, data for those with missing data, and then pooling across studies. For binary outcomes, we suggest use of “plausible worst case” in which review authors assume that those with missing data in treatment arms have proportionally higher event rates than those followed successfully. For continuous outcomes, imputed mean values come from other studies within the systematic review and the standard deviation (SD) from the median SDs of the control arms of all studies.
If the results of the primary meta-analysis are robust to the most extreme assumptions viewed as plausible, one does not rate down certainty in the evidence for risk of bias due to missing participant outcome data. If the results fail to prove robust to plausible assumptions, one would rate down certainty in the evidence for risk of bias.