Datos fisiológicos faltantes en NTDB y TQP: ¿Cuánto influye realmente el análisis de casos completos en la mortalidad por traumatismos?

Publicado 20 de septiembre de 2026

El análisis de casos completos es la práctica habitual en la investigación de registros de traumatismos. Se eliminan las filas con datos faltantes de la Escala de Coma de Glasgow (GCS), la presión arterial o la frecuencia respiratoria, se ajusta el modelo a los datos restantes y se informa el resultado. Una revisión sistemática de 2018 de 539 manuscritos sobre registros de traumatismos reveló que más de la mitad no mencionaban la integridad de los datos o mencionaban datos faltantes sin explicar cómo se habían gestionado, lo que significa que el análisis de casos completos por defecto, sin documentación, es más la norma que la excepción. Realizamos una simulación independiente, mediante dos motores estadísticos, para cuantificar el coste real de esta práctica por defecto.

Por qué esta ausencia no es aleatoria

En el servicio de urgencias, la escala de coma de Glasgow (GCS), la presión arterial sistólica y la frecuencia respiratoria faltan datos porque el médico no pudo evaluar completamente al paciente, y los pacientes más difíciles de evaluar son desproporcionadamente los que llegaron intubados, sedados o en estado crítico. Un análisis de 2,520 casos del Registro Estatal de Traumatismos de Victoria confirmó directamente este patrón, al encontrar que la frecuencia respiratoria, la GCS, un indicador de intubación y la presión arterial sistólica presentaban la mayor proporción de observaciones faltantes de cualquier variable necesaria para el ajuste estándar del riesgo de traumatismos, y que una lógica clínica, no el azar, predecía qué pacientes tenían estas lagunas. Los estadísticos denominan a esto falta de datos no aleatorios, ya que la probabilidad de que falte un valor depende del valor en sí mismo; una GCS baja y constantes vitales inestables se eliminan de la historia clínica exactamente al mismo ritmo que las lesiones graves conducen a la sedación y la intubación. El análisis de casos completos asume implícitamente lo contrario.

La simulación

Generamos una cohorte sintética de 10 000 admisiones por trauma por réplica, con dos componentes de gravedad latente parcialmente correlacionados, uno que impulsa la gravedad de la lesión anatómica y el estado hemodinámico (ISS, presión arterial sistólica, frecuencia respiratoria), el otro que impulsa el estado neurológico (GCS), consistente con la correlación moderada, no perfecta, entre la lesión anatómica y neurológica observada en politraumatismos reales. La mortalidad real se generó a partir de un modelo logístico que incorporaba edad, mecanismo, ISS, GCS, presión arterial sistólica y frecuencia respiratoria. Luego, la falta de datos en GCS, presión arterial sistólica y frecuencia respiratoria se impuso exactamente como lo describe la literatura, como una función del valor fisiológico real del propio paciente más un indicador de intubación, de modo que las tasas de falta de datos se situaron en un rango realista, aproximadamente 30 % para GCS, 24 % para presión arterial sistólica y 16 % para frecuencia respiratoria, comparable en orden de magnitud a las proporciones de falta de datos reportadas para estas mismas tres variables en auditorías de registros de trauma publicados.

Luego se ejecutaron cuatro enfoques analíticos en cada réplica. Un modelo oráculo ajustado a los valores fisiológicos verdaderos y completamente observados, que representa el análisis que un investigador ejecutaría si no faltara nada. Un modelo de caso completo, que descarta a cada paciente al que le falta alguna de las tres variables, reflejando una práctica predeterminada no documentada. Un modelo ingenuo de imputación de media única, que reemplaza cada valor faltante con la media general de esa variable, un atajo que todavía se ve en los manuscritos enviados. Y un modelo de imputación múltiple adecuado, siguiendo el enfoque que recomienda la literatura específica de NTDB, con el resultado de mortalidad incluido en el modelo de imputación y los resultados agrupados entre las imputaciones por las reglas de Rubin. Todo el proceso se codificó de forma independiente en Python y en R, utilizando diferentes implementaciones de imputación (el imputador iterativo de scikit-learn frente al de R). mice paquete), y ejecutar para 300 réplicas en Python y 100 en R. La concordancia entre ambos, tanto en la dirección como en el tamaño aproximado de cada efecto a continuación, es lo que certifica el resultado en lugar de las idiosincrasias de un solo script.

Encontrar uno: El análisis de casos completos reduce aproximadamente a la mitad la tasa de mortalidad reportada.

La mortalidad real de la población en la cohorte simulada promedió 5.50 % . Restringir el análisis a pacientes con GCS completa, presión arterial sistólica y frecuencia respiratoria, exactamente lo que hace un análisis de casos completos no documentados, redujo la tasa de mortalidad observada a 2.68 % , una reducción de más de la mitad. Un proceso mecánico, no estadístico, produce la discrepancia. Excluir a un paciente del análisis porque estaba demasiado inestable para que se registrara una evaluación fisiológica completa es exactamente equivalente a excluir a los pacientes con mayor probabilidad de morir, y ningún grado de sofisticación del modelo posterior corrige una tasa de mortalidad calculada en un subgrupo sistemáticamente más sano que el que realmente se trató. Un estudio comparativo o un informe de calidad que cite una tasa de mortalidad bruta o ligeramente ajustada de una cohorte de trauma de casos completos, según esta evidencia, está informando una cifra que subestima la mortalidad real por un amplio margen, no una discrepancia de nivel de redondeo.

Nuestro resultado coincide con el de una simulación de Monte Carlo basada en 63 020 pacientes reales de la base de datos NTDB en 68 hospitales, que arrojó resultados similares pero distintos: si la elección del método para el manejo de datos faltantes influye en qué hospitales se clasifican como atípicos en cuanto a la mortalidad observada frente a la esperada. En ese trabajo anterior, se varió el método analítico manteniendo fija la cohorte subyacente. En cambio, nuestro método varía sintéticamente el mecanismo subyacente de datos faltantes, de modo que siempre se conoce el valor real estimado, lo que permite determinar un sesgo exacto en lugar de simplemente una discrepancia en el orden de clasificación entre los métodos.

Hallazgo dos: El efecto ajustado resiste mejor de lo esperado la restricción de casos completos.

El efecto del GCS sobre la mortalidad, ajustado al riesgo y expresado como el coeficiente logarítmico de probabilidades del modelo, promedió -0.300 en el modelo oráculo. En el modelo de casos completos, restringido a la mitad de los pacientes con las tres variables observadas, el coeficiente promedió -0.301 , lo suficientemente cercano al valor oráculo como para que la pérdida se describa mejor como una precisión reducida debido a una muestra más pequeña y homogénea que como un sesgo direccional. Detrás de este resultado subyace una asimetría específica y útil. El daño del análisis de casos completos en este contexto se concentra en la cantidad marginal, la tasa de mortalidad y la mezcla de casos reportadas, en lugar del coeficiente condicional ajustado al riesgo que la mayoría de los artículos sobre traumatismos reportan como su hallazgo principal. La razón de probabilidades ajustada de un artículo para el GCS puede ser aproximadamente correcta, incluso cuando su tasa de mortalidad de cohorte declarada es errónea, que es precisamente el tipo de daño selectivo que un revisor que solo examina la estadística principal del resumen pasará por alto.

Hallazgo tres: La imputación de la media ingenua atenúa el efecto ajustado que preserva el análisis de casos completos.

Reemplazar los valores faltantes de GCS, presión arterial sistólica y frecuencia respiratoria con la media general de cada variable, un atajo que al menos mantiene a todos los pacientes en el análisis, produjo un coeficiente GCS promedio de -0.165 , una atenuación de aproximadamente la mitad en relación con el valor oráculo. Un mecanismo directo, no sutil, explica por qué. Rellenar cada GCS faltante con la misma constante destruye precisamente la variación en GCS que la regresión necesita para estimar su efecto en la mortalidad, y lo hace con mayor dificultad para los pacientes cuyo GCS real fue más extremo, ya que son los que tienen más probabilidades de faltar en primer lugar. La imputación de la media intercambia el sesgo de la tasa de mortalidad del análisis de casos completos por un sesgo diferente, y en esta simulación mayor, en el efecto ajustado que el estudio realmente está diseñado para estimar.

Hallazgo cuatro: La imputación múltiple con el resultado incluido recupera la mayor parte de la pérdida.

La imputación múltiple, aplicada con el resultado de mortalidad incluido en el modelo de imputación y agrupada entre imputaciones según las reglas de Rubin, produjo un coeficiente GCS promedio de -0.263 , recuperando la gran mayoría de la brecha que la imputación de la media ingenua dejó sin cubrir, al tiempo que mantuvo a todos los pacientes en el cálculo de la tasa de mortalidad en lugar de excluir a los más graves como lo hace el análisis de casos completos. Esta es la misma elección de diseño, la imputación múltiple que incluye el resultado, que la literatura metodológica específica de NTDB ha recomendado desde al menos 2009, y la simulación aquí reproduce la razón por la cual esa recomendación se mantiene independientemente de cualquier conjunto de datos individual, utilizando datos completamente sintéticos construidos para aislar el mecanismo en lugar de las idiosincrasias de cualquier registro real.

Aplicar esto a su propio extracto de registro

Cuatro comprobaciones traducen esta simulación a la práctica en un archivo de uso de participantes reales. Cuantifique la tasa de datos faltantes para GCS, presión arterial sistólica y frecuencia respiratoria por separado, en lugar de informar una única cifra de completitud combinada que oculte qué variable está causando el problema. Pruebe si los datos faltantes en cada variable están asociados con otros marcadores de gravedad que se observan completamente, un indicador de intubación, llegada en helicóptero, el propio ISS, ya que una asociación clara es la señal práctica de los datos faltantes informativos que modela esta simulación. Ejecute la imputación múltiple con el resultado de mortalidad y cualquier otro resultado que informe el estudio, incluido como predictor en el modelo de imputación, no excluido bajo el supuesto de que los resultados pertenecen solo a la etapa de análisis. Y reporte el resultado de casos completos junto con el resultado de imputación múltiple en lugar de en lugar de este, para que un revisor pueda ver la magnitud de la corrección directamente en lugar de aceptarla sin cuestionarla.

Herramientas gratuitas para este tipo de comprobación.

• Seis técnicas para la limpieza de datos de registros clínicos, para la auditoría de datos faltantes que debe preceder a cualquier decisión de imputación
• Tutorial sobre la lista de verificación para informes STROBE, sobre cómo se debe documentar un flujo de datos faltantes en el propio manuscrito.
• Explicación de las bases de datos NTDB y TQP, para el conjunto más amplio de problemas de diseño más allá de la falta de datos que un estudio TQP debe abordar

Qué significa esto para un manuscrito

De ello se derivan directamente tres conclusiones prácticas. Una tasa de mortalidad o proporción de letalidad declarada, obtenida de una cohorte de registro de traumatismos, merece un análisis específico de cómo se construyó el denominador, ya que una restricción a casos completos puede reducir a la mitad una tasa informada sin ningún mensaje de error ni señal de alerta evidente en el resultado. Una razón de probabilidades ajustada para una covariable fisiológica es comparativamente más robusta ante el manejo de casos completos que la tasa bruta, aunque la reducción del tamaño de la muestra sigue afectando la precisión y ampliando los intervalos de confianza. Y de los dos atajos comunes, descartar los casos incompletos o rellenar los huecos con la media de la muestra, la imputación múltiple con la variable de resultado incluida supera a ambos, que es precisamente la práctica a la que se compromete la metodología del estudio del registro de traumatismos NTDB y TQP de Editverse en cada proyecto que realiza.

Resumen de resultados de 300 réplicas en Python y 100 en R.

Solo el análisis de casos completos modifica la tasa de mortalidad reportada, ya que es el único método que cambia los pacientes analizados en lugar de completar la información faltante. Únicamente los dos métodos basados ​​en imputación mantienen la cohorte completa en el cálculo de la mortalidad, y de estos dos, la imputación múltiple que incluye el resultado es la que también protege el tamaño del efecto ajustado al riesgo.

Límites de esta simulación

Esta es una ilustración sintética creada para aislar un mecanismo de forma precisa, no un reanálisis de datos reales de TQP, ya que Editverse no posee un acuerdo de uso de archivos de participantes de TQP ni obtiene el conjunto de datos en nombre de un cliente. Las tasas de datos faltantes, la estructura de correlación y el modelo de mortalidad se eligieron para que estuvieran dentro de un rango realista basado en la literatura publicada citada a lo largo del texto, no ajustados a un año de registro específico. Un proyecto con un cliente trabaja a partir del extracto del propio cliente, caracteriza directamente el patrón real de datos faltantes de ese archivo e informa un análisis de sensibilidad de casos completos junto con el resultado principal de imputación múltiple exactamente como se describe en nuestra explicación de NTDB y TQP.

Servicios profesionales

Editverse crea estudios de resultados de traumatismos de NTDB y TQP con datos faltantes fisiológicos manejados mediante imputación múltiple que incluye el resultado y un análisis de sensibilidad de casos completos informado junto con él, exactamente como se valida aquí.

Referencias

1. Shivasabesan G, Mitra B, O'Reilly GM. Datos faltantes en los registros de traumatismos: una revisión sistemática. Lesión.. 2018;49(9):1641-1647. doi: 10.1016/j.injury.2018.03.035
2. O'Reilly GM, Cameron PA, Jolley DJ. ¿Qué pacientes tienen datos faltantes? Un análisis de los datos faltantes en un registro de traumatismos. Lesión.. 2013;43(11):1917-1923. doi: 10.1016/j.injury.2012.07.185
3. Moore L, Hanley JA, Turgeon AF, Lavoie A, Emond M. Un modelo de imputación múltiple para imputar datos fisiológicos faltantes en el banco nacional de datos de traumatismos. Revista del Colegio Americano de Cirujanos. 2009;209(5):572-579. doi: 10.1016/j.jamcollsurg.2009.07.004
4. Glance LG, Osler TM, Mukamel DB, Meredith W, Dick AW. Impacto de los enfoques estadísticos para el manejo de datos faltantes en la calidad de los centros de traumatología. Annals of Surgery. 2009;249(1):143-148. doi: 10.1097/SLA.0b013e31818e544b
5. Newgard CD. Validez del uso de la imputación múltiple para datos faltantes fuera del hospital en un registro estatal de traumatismos. Medicina de emergencia académica. 2006;13(3):314-324. doi: 10.1197/j.aem.2005.09.011
6. O'Reilly GM, Jolley DJ, Cameron PA, Gabbe B. Desaparecidos en combate: un estudio de caso sobre la aplicación de métodos para tratar con datos faltantes a la evaluación comparativa de sistemas de trauma. Medicina de emergencia académica. 2011;17(10):1122-1129. doi: 10.1111 / j.1553-2712.2010.00887.x