{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1312612"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1312612","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μετα-ανάλυση ποσοτικών δεδομένων με drop-out: Σφάλμα και μέθοδοι αντιμετώπισης","abstract":"Εισαγωγή: Κατά την μετα-ανάλυση κλινικών δοκιμών ή/και προοπτικών μελετών, ένα σημαντικό μεθοδολογικό πρόβλημα είναι, ιδιαίτερα όταν η έκβαση αφορά σε συνεχή μεταβλητή, είναι οι ελλείπουσες τιμές της έκβασης στις επιμέρους μελέτες λόγω αποχώρησης των ασθενών από τη μελέτη (drop-outs). Το θέμα αυτό αντιμετωπίζεται ατελώς τόσο σε επίπεδο ανάλυσης των επιμέρους μελετών όσο και σε μετα-αναλυτικό επίπεδο. Σκοπός της μελέτης: Σκοπός της παρούσας μεταπτυχιακής διατριβής είναι να διερευνηθεί το μέγεθος του σφάλματος που εισάγεται σε μετα-αναλύσεις ποσοτικών μεγεθών, όταν αγνοείται το πρόβλημα των ελλειπόντων δεδομένων (σε πρωτογενές ή σε μετα-αναλυτικο επίπεδο) και να εξεταστούν πιθανοί τρόποι μερικής τουλάχιστον εξάληψης του εισαγόμενου σφάλματος. Μέθοδοι: Δημιουργήθηκαν προσομοιωμένα δεδομένα, με βάση τα αποτελέσματα πραγματικής μελέτης, και εξετάστηκαν διαφορετικά σενάρια, σε σχέση με το ποσοστό (20%, 40% και 60%) και το μηχανισμό των ελλειπόντων δεδομένων (τελείως τυχαίος [MCAR: Missing Completely at Ransom], τυχαίος [MAR: Missing at Random] ή μη τυχαίος [MNAR: Missing Not at Random]). Για την ανάλυση των επιμέρους μελετών χρησιμοποιήθηκαν 2 τρόποι α) ανάλυση μόνο των ατόμων με πλήρη δεδομένα (complete case analysis-CCA), β) αναπλήρωση ελλειπουσών τιμών με την τελευταία διαθέσιμη (Last observation carried forward- LOCF). Σε μετα-αναλυτικό επίπεδο χρησιμοποιήθηκαν οι μέθοδοι: α) εκτιμητής DerSimonian και Laird (DL) μοντέλου τυχαίων επιδράσεων, και β) επανασταθμισμένη εκτίμηση αυτού με βάση το ποσοστό πληρότητας των δεδομένων των επιμέρους μελετών. Αποτελέσματα: Ο συνδυασμός CCA με τον εκτιμητή DL έδειξε ότι η κλίση και η σταθερά του δείκτη έκβασης εκτιμώνται ικανοποιητικά για τα MCAR και MAR δεδομένα, ενώ για τα MNAR δεδομένα, το % σχετικού σφάλματος της κλίσης είναι αρκετά υψηλό (24,22%). Η χρήση του επανασταθμισμένου DL (RWDL) εισάγει ένα ισχνό σφάλμα στην εκτίμηση της σταθεράς, αλλά διορθώνει τις εκτιμήσεις της κλίσης και στα τρία σενάρια ( ειδικά για MNAR δεδομένα: % σχετικό σφάλμα=9, 49%). Ο συνδυασμός της χρήσης της LOCF και του εκτιμητή DL δημιουργεί υψηλό % σχετικό σφάλμα, ιδιαίτερα για την κλίση, όπου το % σχετικού σφάλματος κυμαίνεται μεταξύ 22,57%, και 31,28%. Η χρήση της επαναστάθμισης φαίνεται να βελτιώνει τα αποτελέσματα της εκτίμησης της κλίσης για τα τρία διαφορετικά σενάρια, ενώ τα αντίστοιχα αποτελέσματα για τη σταθερά φαίνεται να έχουν χειροτερέψει. Συμπέρασμα: Στην περίπτωση παρουσίας ελλιπών δεδομένων, η επαναστάθμιση του DL μας παρέχει πιο αξιόλογες εκτιμήσεις σε σχέση με τον εκτιμητή DL. Επιπλέον, δεν προτείνεται η χρήση της Last Observation Carried Forward, στην περίπτωση που οι ελλείπουσες τιμές διαφέρουν σημαντικά από την τελευταία διαθέσιμη, καθώς το σφάλμα που εισάγεται στις εκτιμήσεις είναι σημαντικό.","abstract_html":"Εισαγωγή: Κατά την μετα-ανάλυση κλινικών δοκιμών ή/και προοπτικών μελετών, ένα σημαντικό μεθοδολογικό πρόβλημα είναι, ιδιαίτερα όταν η έκβαση αφορά σε συνεχή μεταβλητή, είναι οι ελλείπουσες τιμές της έκβασης στις επιμέρους μελέτες λόγω αποχώρησης των ασθενών από τη μελέτη (drop-outs). Το θέμα αυτό αντιμετωπίζεται ατελώς τόσο σε επίπεδο ανάλυσης των επιμέρους μελετών όσο και σε μετα-αναλυτικό επίπεδο. Σκοπός της μελέτης: Σκοπός της παρούσας μεταπτυχιακής διατριβής είναι να διερευνηθεί το μέγεθος του σφάλματος που εισάγεται σε μετα-αναλύσεις ποσοτικών μεγεθών, όταν αγνοείται το πρόβλημα των ελλειπόντων δεδομένων (σε πρωτογενές ή σε μετα-αναλυτικο επίπεδο) και να εξεταστούν πιθανοί τρόποι μερικής τουλάχιστον εξάληψης του εισαγόμενου σφάλματος. Μέθοδοι: Δημιουργήθηκαν προσομοιωμένα δεδομένα, με βάση τα αποτελέσματα πραγματικής μελέτης, και εξετάστηκαν διαφορετικά σενάρια, σε σχέση με το ποσοστό (20%, 40% και 60%) και το μηχανισμό των ελλειπόντων δεδομένων (τελείως τυχαίος [MCAR: Missing Completely at Ransom], τυχαίος [MAR: Missing at Random] ή μη τυχαίος [MNAR: Missing Not at Random]). Για την ανάλυση των επιμέρους μελετών χρησιμοποιήθηκαν 2 τρόποι α) ανάλυση μόνο των ατόμων με πλήρη δεδομένα (complete case analysis-CCA), β) αναπλήρωση ελλειπουσών τιμών με την τελευταία διαθέσιμη (Last observation carried forward- LOCF). Σε μετα-αναλυτικό επίπεδο χρησιμοποιήθηκαν οι μέθοδοι: α) εκτιμητής DerSimonian και Laird (DL) μοντέλου τυχαίων επιδράσεων, και β) επανασταθμισμένη εκτίμηση αυτού με βάση το ποσοστό πληρότητας των δεδομένων των επιμέρους μελετών. Αποτελέσματα: Ο συνδυασμός CCA με τον εκτιμητή DL έδειξε ότι η κλίση και η σταθερά του δείκτη έκβασης εκτιμώνται ικανοποιητικά για τα MCAR και MAR δεδομένα, ενώ για τα MNAR δεδομένα, το % σχετικού σφάλματος της κλίσης είναι αρκετά υψηλό (24,22%). Η χρήση του επανασταθμισμένου DL (RWDL) εισάγει ένα ισχνό σφάλμα στην εκτίμηση της σταθεράς, αλλά διορθώνει τις εκτιμήσεις της κλίσης και στα τρία σενάρια ( ειδικά για MNAR δεδομένα: % σχετικό σφάλμα=9, 49%). Ο συνδυασμός της χρήσης της LOCF και του εκτιμητή DL δημιουργεί υψηλό % σχετικό σφάλμα, ιδιαίτερα για την κλίση, όπου το % σχετικού σφάλματος κυμαίνεται μεταξύ 22,57%, και 31,28%. Η χρήση της επαναστάθμισης φαίνεται να βελτιώνει τα αποτελέσματα της εκτίμησης της κλίσης για τα τρία διαφορετικά σενάρια, ενώ τα αντίστοιχα αποτελέσματα για τη σταθερά φαίνεται να έχουν χειροτερέψει. Συμπέρασμα: Στην περίπτωση παρουσίας ελλιπών δεδομένων, η επαναστάθμιση του DL μας παρέχει πιο αξιόλογες εκτιμήσεις σε σχέση με τον εκτιμητή DL. Επιπλέον, δεν προτείνεται η χρήση της Last Observation Carried Forward, στην περίπτωση που οι ελλείπουσες τιμές διαφέρουν σημαντικά από την τελευταία διαθέσιμη, καθώς το σφάλμα που εισάγεται στις εκτιμήσεις είναι σημαντικό.","abstract_has_math":false,"creators":["Καρίμαλη Πολυξένη"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-11-19T05:22:47Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1312612"],"render_values":[{"text":"uoadl:1312612","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1312612","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1312612","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1312612","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καρίμαλη Πολυξένη"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2014"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1312612","https://pergamos.lib.uoa.gr/uoa/dl/object/1312612"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Εισαγωγή: Κατά την μετα-ανάλυση κλινικών δοκιμών ή/και προοπτικών μελετών, ένα σημαντικό μεθοδολογικό πρόβλημα είναι, ιδιαίτερα όταν η έκβαση αφορά σε συνεχή μεταβλητή, είναι οι ελλείπουσες τιμές της έκβασης στις επιμέρους μελέτες λόγω αποχώρησης των ασθενών από τη μελέτη (drop-outs). Το θέμα αυτό αντιμετωπίζεται ατελώς τόσο σε επίπεδο ανάλυσης των επιμέρους μελετών όσο και σε μετα-αναλυτικό επίπεδο. Σκοπός της μελέτης: Σκοπός της παρούσας μεταπτυχιακής διατριβής είναι να διερευνηθεί το μέγεθος του σφάλματος που εισάγεται σε μετα-αναλύσεις ποσοτικών μεγεθών, όταν αγνοείται το πρόβλημα των ελλειπόντων δεδομένων (σε πρωτογενές ή σε μετα-αναλυτικο επίπεδο) και να εξεταστούν πιθανοί τρόποι μερικής τουλάχιστον εξάληψης του εισαγόμενου σφάλματος. Μέθοδοι: Δημιουργήθηκαν προσομοιωμένα δεδομένα, με βάση τα αποτελέσματα πραγματικής μελέτης, και εξετάστηκαν διαφορετικά σενάρια, σε σχέση με το ποσοστό (20%, 40% και 60%) και το μηχανισμό των ελλειπόντων δεδομένων (τελείως τυχαίος [MCAR: Missing Completely at Ransom], τυχαίος [MAR: Missing at Random] ή μη τυχαίος [MNAR: Missing Not at Random]). Για την ανάλυση των επιμέρους μελετών χρησιμοποιήθηκαν 2 τρόποι α) ανάλυση μόνο των ατόμων με πλήρη δεδομένα (complete case analysis-CCA), β) αναπλήρωση ελλειπουσών τιμών με την τελευταία διαθέσιμη (Last observation carried forward- LOCF). Σε μετα-αναλυτικό επίπεδο χρησιμοποιήθηκαν οι μέθοδοι: α) εκτιμητής DerSimonian και Laird (DL) μοντέλου τυχαίων επιδράσεων, και β) επανασταθμισμένη εκτίμηση αυτού με βάση το ποσοστό πληρότητας των δεδομένων των επιμέρους μελετών. Αποτελέσματα: Ο συνδυασμός CCA με τον εκτιμητή DL έδειξε ότι η κλίση και η σταθερά του δείκτη έκβασης εκτιμώνται ικανοποιητικά για τα MCAR και MAR δεδομένα, ενώ για τα MNAR δεδομένα, το % σχετικού σφάλματος της κλίσης είναι αρκετά υψηλό (24,22%). Η χρήση του επανασταθμισμένου DL (RWDL) εισάγει ένα ισχνό σφάλμα στην εκτίμηση της σταθεράς, αλλά διορθώνει τις εκτιμήσεις της κλίσης και στα τρία σενάρια ( ειδικά για MNAR δεδομένα: % σχετικό σφάλμα=9, 49%). Ο συνδυασμός της χρήσης της LOCF και του εκτιμητή DL δημιουργεί υψηλό % σχετικό σφάλμα, ιδιαίτερα για την κλίση, όπου το % σχετικού σφάλματος κυμαίνεται μεταξύ 22,57%, και 31,28%. Η χρήση της επαναστάθμισης φαίνεται να βελτιώνει τα αποτελέσματα της εκτίμησης της κλίσης για τα τρία διαφορετικά σενάρια, ενώ τα αντίστοιχα αποτελέσματα για τη σταθερά φαίνεται να έχουν χειροτερέψει. Συμπέρασμα: Στην περίπτωση παρουσίας ελλιπών δεδομένων, η επαναστάθμιση του DL μας παρέχει πιο αξιόλογες εκτιμήσεις σε σχέση με τον εκτιμητή DL. Επιπλέον, δεν προτείνεται η χρήση της Last Observation Carried Forward, στην περίπτωση που οι ελλείπουσες τιμές διαφέρουν σημαντικά από την τελευταία διαθέσιμη, καθώς το σφάλμα που εισάγεται στις εκτιμήσεις είναι σημαντικό.","Background: A serious methodological problem involved in the meta-analysis of clinical trials and/or cohort studies is the issue of missing data in the response variable, particularly when it is a continuous variable, due to patients’ drop-out. This issue quite often is ignored in the analysis of the individual studies or during their meta-analysis. Objectives: The aims of this thesis are to investigate a) the size of the introduced bias in the meta-analyzis of a quantitative response variable when missing data due to drop-outs are ignored (at individual study or meta-analysis level) and b) methods to remove, at least partly, the introduced bias in the response variable. Population and Method: Simulated data were generated, based on real data and different scenarios were investigated according to the percentage (20%, 40% and 60%) and the mechanism of missing data (MCAR: Missing Completely At Random, MAR: Missing At Random, MNAR: Missing Not At Random). Two alternative methods for the analysis of the individual studies were implemented: a) Complete Case Analysis (CCA) where only patients with full data were analysed and b) Last Observation Carried Forward (LOCF) where missing values were imputed by the last available value. For the meta-analysis the DerSimonian and Laird (DL) random effects model and the reweighted based on the rate of completed data DerSimonian–Laird estimate were implemented. Results: When CCA was combined with the DL estimator, the slope and intercept of the response variable were estimated quite accurately for MCAR and MAR data while for MNAR data, the % of relative bias for the slope was quite high (24.22%). The implementation of the reweighted DL (RWDL) method introduced a weak bias in the estimate of the intercept, but it corrected the estimates of the slope in all three scenarios (especially for MNAR data:% relative bias = 9.49%). The combination of the LOCWwith the DL estimator generated a high % of relative bias, particularly for the slope, where the % relative bias ranged between 22.57% and 31.28%. The implementation of reweighting improved the estimated of the slope for all three different scenarios, but the corresponding results for the intercept become worst. Conclusions: In case of presence of incomplete data, the reweighed DL gives the least biased estimates compared to the DL estimator. Furthermore, the use of the LOCW method is not recommended in cases the missing values significantly differ from the last available one, as the bias introduced in the estimates is quite high."]},{"key":"dc:title","label":"Title","values":["Μετα-ανάλυση ποσοτικών δεδομένων με drop-out: Σφάλμα και μέθοδοι αντιμετώπισης"]}]}],"canonical_facts":{"dc:creator":["Καρίμαλη Πολυξένη"],"dc:date":["2014"],"dc:description":["Εισαγωγή: Κατά την μετα-ανάλυση κλινικών δοκιμών ή/και προοπτικών μελετών, ένα σημαντικό μεθοδολογικό πρόβλημα είναι, ιδιαίτερα όταν η έκβαση αφορά σε συνεχή μεταβλητή, είναι οι ελλείπουσες τιμές της έκβασης στις επιμέρους μελέτες λόγω αποχώρησης των ασθενών από τη μελέτη (drop-outs). Το θέμα αυτό αντιμετωπίζεται ατελώς τόσο σε επίπεδο ανάλυσης των επιμέρους μελετών όσο και σε μετα-αναλυτικό επίπεδο. Σκοπός της μελέτης: Σκοπός της παρούσας μεταπτυχιακής διατριβής είναι να διερευνηθεί το μέγεθος του σφάλματος που εισάγεται σε μετα-αναλύσεις ποσοτικών μεγεθών, όταν αγνοείται το πρόβλημα των ελλειπόντων δεδομένων (σε πρωτογενές ή σε μετα-αναλυτικο επίπεδο) και να εξεταστούν πιθανοί τρόποι μερικής τουλάχιστον εξάληψης του εισαγόμενου σφάλματος. Μέθοδοι: Δημιουργήθηκαν προσομοιωμένα δεδομένα, με βάση τα αποτελέσματα πραγματικής μελέτης, και εξετάστηκαν διαφορετικά σενάρια, σε σχέση με το ποσοστό (20%, 40% και 60%) και το μηχανισμό των ελλειπόντων δεδομένων (τελείως τυχαίος [MCAR: Missing Completely at Ransom], τυχαίος [MAR: Missing at Random] ή μη τυχαίος [MNAR: Missing Not at Random]). Για την ανάλυση των επιμέρους μελετών χρησιμοποιήθηκαν 2 τρόποι α) ανάλυση μόνο των ατόμων με πλήρη δεδομένα (complete case analysis-CCA), β) αναπλήρωση ελλειπουσών τιμών με την τελευταία διαθέσιμη (Last observation carried forward- LOCF). Σε μετα-αναλυτικό επίπεδο χρησιμοποιήθηκαν οι μέθοδοι: α) εκτιμητής DerSimonian και Laird (DL) μοντέλου τυχαίων επιδράσεων, και β) επανασταθμισμένη εκτίμηση αυτού με βάση το ποσοστό πληρότητας των δεδομένων των επιμέρους μελετών. Αποτελέσματα: Ο συνδυασμός CCA με τον εκτιμητή DL έδειξε ότι η κλίση και η σταθερά του δείκτη έκβασης εκτιμώνται ικανοποιητικά για τα MCAR και MAR δεδομένα, ενώ για τα MNAR δεδομένα, το % σχετικού σφάλματος της κλίσης είναι αρκετά υψηλό (24,22%). Η χρήση του επανασταθμισμένου DL (RWDL) εισάγει ένα ισχνό σφάλμα στην εκτίμηση της σταθεράς, αλλά διορθώνει τις εκτιμήσεις της κλίσης και στα τρία σενάρια ( ειδικά για MNAR δεδομένα: % σχετικό σφάλμα=9, 49%). Ο συνδυασμός της χρήσης της LOCF και του εκτιμητή DL δημιουργεί υψηλό % σχετικό σφάλμα, ιδιαίτερα για την κλίση, όπου το % σχετικού σφάλματος κυμαίνεται μεταξύ 22,57%, και 31,28%. Η χρήση της επαναστάθμισης φαίνεται να βελτιώνει τα αποτελέσματα της εκτίμησης της κλίσης για τα τρία διαφορετικά σενάρια, ενώ τα αντίστοιχα αποτελέσματα για τη σταθερά φαίνεται να έχουν χειροτερέψει. Συμπέρασμα: Στην περίπτωση παρουσίας ελλιπών δεδομένων, η επαναστάθμιση του DL μας παρέχει πιο αξιόλογες εκτιμήσεις σε σχέση με τον εκτιμητή DL. Επιπλέον, δεν προτείνεται η χρήση της Last Observation Carried Forward, στην περίπτωση που οι ελλείπουσες τιμές διαφέρουν σημαντικά από την τελευταία διαθέσιμη, καθώς το σφάλμα που εισάγεται στις εκτιμήσεις είναι σημαντικό.","Background: A serious methodological problem involved in the meta-analysis of clinical trials and/or cohort studies is the issue of missing data in the response variable, particularly when it is a continuous variable, due to patients’ drop-out. This issue quite often is ignored in the analysis of the individual studies or during their meta-analysis. Objectives: The aims of this thesis are to investigate a) the size of the introduced bias in the meta-analyzis of a quantitative response variable when missing data due to drop-outs are ignored (at individual study or meta-analysis level) and b) methods to remove, at least partly, the introduced bias in the response variable. Population and Method: Simulated data were generated, based on real data and different scenarios were investigated according to the percentage (20%, 40% and 60%) and the mechanism of missing data (MCAR: Missing Completely At Random, MAR: Missing At Random, MNAR: Missing Not At Random). Two alternative methods for the analysis of the individual studies were implemented: a) Complete Case Analysis (CCA) where only patients with full data were analysed and b) Last Observation Carried Forward (LOCF) where missing values were imputed by the last available value. For the meta-analysis the DerSimonian and Laird (DL) random effects model and the reweighted based on the rate of completed data DerSimonian–Laird estimate were implemented. Results: When CCA was combined with the DL estimator, the slope and intercept of the response variable were estimated quite accurately for MCAR and MAR data while for MNAR data, the % of relative bias for the slope was quite high (24.22%). The implementation of the reweighted DL (RWDL) method introduced a weak bias in the estimate of the intercept, but it corrected the estimates of the slope in all three scenarios (especially for MNAR data:% relative bias = 9.49%). The combination of the LOCWwith the DL estimator generated a high % of relative bias, particularly for the slope, where the % relative bias ranged between 22.57% and 31.28%. The implementation of reweighting improved the estimated of the slope for all three different scenarios, but the corresponding results for the intercept become worst. Conclusions: In case of presence of incomplete data, the reweighed DL gives the least biased estimates compared to the DL estimator. Furthermore, the use of the LOCW method is not recommended in cases the missing values significantly differ from the last available one, as the bias introduced in the estimates is quite high."],"dc:identifier":["uoadl:1312612","https://pergamos.lib.uoa.gr/uoa/dl/object/1312612"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Μετα-ανάλυση ποσοτικών δεδομένων με drop-out: Σφάλμα και μέθοδοι αντιμετώπισης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:22:47Z"}