Data Fisiologis yang Hilang di NTDB dan TQP: Seberapa Besar Analisis Kasus Lengkap Sebenarnya Membiaskan Angka Kematian Akibat Trauma

Diterbitkan September 20, 2026

Analisis kasus lengkap adalah standar baku yang diam-diam diterapkan dalam penelitian registri trauma. Hapus baris dengan GCS, tekanan darah, atau laju pernapasan yang hilang, sesuaikan model pada data yang tersisa, dan laporkan hasilnya. Sebuah tinjauan sistematis tahun 2018 terhadap 539 manuskrip registri trauma menemukan bahwa lebih dari setengahnya tidak pernah menyebutkan kelengkapan data atau menyebutkan data yang hilang tanpa menjelaskan bagaimana hal itu ditangani, yang berarti analisis kasus lengkap secara default, tanpa dokumentasi, lebih mendekati norma daripada pengecualian. Kami membangun simulasi independen, yang dijalankan melalui dua mesin statistik, untuk memberikan angka pasti tentang biaya sebenarnya dari standar baku tersebut.

Mengapa Hilangnya Data Ini Bukanlah Suatu Kejadian Acak?

Skor GCS, tekanan darah sistolik, dan laju pernapasan di ruang gawat darurat seringkali hilang karena dokter tidak dapat sepenuhnya menilai pasien, dan pasien yang paling sulit dinilai adalah pasien yang tiba dalam keadaan diintubasi, dibius, atau dalam kondisi kritis. Analisis terhadap 2,520 kasus dari Registri Trauma Negara Bagian Victoria secara langsung mengkonfirmasi pola tersebut, menemukan bahwa laju pernapasan, GCS, indikator kualifikasi intubasi, dan tekanan darah sistolik memiliki proporsi pengamatan yang hilang terbesar dibandingkan variabel lain yang dibutuhkan untuk penyesuaian risiko trauma standar, dan bahwa logika klinis, bukan kebetulan, memprediksi pasien mana yang memiliki data yang hilang. Para ahli statistik menyebut ini sebagai data yang hilang bukan secara acak, karena probabilitas suatu nilai hilang bergantung pada nilai itu sendiri, GCS rendah dan tanda vital yang tidak stabil akan hilang dari grafik tepat pada tingkat di mana cedera parah menyebabkan sedasi dan intubasi. Analisis kasus lengkap secara diam-diam mengasumsikan sebaliknya.

Simulasi

Kami membuat kohort sintetis yang terdiri dari 10,000 pasien trauma per replikasi, dengan dua komponen keparahan laten yang berkorelasi sebagian, satu yang menentukan keparahan cedera anatomis dan status hemodinamik (ISS, tekanan darah sistolik, laju pernapasan), dan yang lainnya menentukan status neurologis (GCS), sesuai dengan korelasi sedang, bukan sempurna, antara cedera anatomis dan neurologis yang terlihat pada politrauma nyata. Angka kematian sebenarnya dihasilkan dari model logistik yang menggabungkan usia, mekanisme, ISS, GCS, tekanan darah sistolik, dan laju pernapasan. Data yang hilang pada GCS, tekanan darah sistolik, dan laju pernapasan kemudian diterapkan persis seperti yang dijelaskan dalam literatur, sebagai fungsi dari nilai fisiologis sebenarnya pasien ditambah indikator intubasi, sehingga tingkat data yang hilang berada dalam kisaran yang realistis, sekitar 30% untuk GCS, 24% untuk tekanan darah sistolik, dan 16% untuk laju pernapasan, sebanding dalam urutan besarnya dengan proporsi data yang hilang yang dilaporkan untuk ketiga variabel yang sama dalam audit registri trauma yang dipublikasikan.

Kemudian, empat pendekatan analitik dijalankan pada setiap replikasi. Model oracle yang disesuaikan dengan nilai fisiologis sebenarnya yang diamati sepenuhnya, yang mewakili analisis yang akan dijalankan peneliti jika tidak ada data yang hilang. Model kasus lengkap, yang menghilangkan setiap pasien yang kehilangan salah satu dari tiga variabel, mencerminkan praktik standar yang tidak terdokumentasi. Model imputasi rata-rata tunggal yang sederhana, mengganti setiap nilai yang hilang dengan rata-rata keseluruhan variabel tersebut, jalan pintas yang masih terlihat dalam manuskrip yang diajukan. Dan model imputasi berganda yang tepat, mengikuti pendekatan yang direkomendasikan oleh literatur khusus NTDB, dengan hasil mortalitas itu sendiri dimasukkan dalam model imputasi dan hasilnya dikumpulkan di seluruh imputasi berdasarkan aturan Rubin. Seluruh alur kerja dikodekan secara independen dalam Python dan R, menggunakan implementasi imputasi yang berbeda (imputer iteratif scikit-learn dibandingkan dengan R). mice paket), dan dijalankan sebanyak 300 replikasi di Python dan 100 di R. Kesepakatan antara keduanya, baik pada arah maupun perkiraan ukuran setiap efek di bawah ini, adalah yang mengesahkan hasilnya, bukan kekhasan skrip tunggal.

Temuan Pertama: Analisis Kasus Lengkap Mengurangi Tingkat Kematian yang Dilaporkan Hingga Setengahnya

Angka kematian populasi sebenarnya di seluruh kohort simulasi rata-rata 5.50% . Membatasi analisis pada pasien dengan GCS, tekanan darah sistolik, dan laju pernapasan lengkap, persis seperti yang dilakukan analisis kasus lengkap yang tidak terdokumentasi, menurunkan angka kematian yang diamati menjadi 2.68% , pengurangan lebih dari setengahnya. Proses mekanis, bukan statistik, yang menghasilkan kesenjangan tersebut. Mengecualikan pasien dari analisis karena mereka terlalu tidak stabil untuk menjalani penilaian fisiologis lengkap sama persis dengan mengecualikan pasien yang paling mungkin meninggal, dan tidak ada jumlah kecanggihan pemodelan hilir yang dapat memperbaiki angka kematian yang dihitung pada subkelompok yang secara sistematis lebih sehat daripada yang sebenarnya dirawat. Studi pembandingan atau laporan kualitas yang mengutip angka kematian mentah atau yang sedikit disesuaikan dari kohort trauma kasus lengkap, berdasarkan bukti ini, melaporkan angka yang meremehkan angka kematian sebenarnya dengan selisih yang besar, bukan perbedaan tingkat pembulatan.

Hasil kami sendiri menggemakan apa yang ditemukan oleh simulasi Monte Carlo yang dibangun berdasarkan 63,020 pasien NTDB nyata di 68 rumah sakit untuk pertanyaan terkait tetapi berbeda, yaitu apakah pilihan metode data yang hilang mengubah rumah sakit mana yang diberi label sebagai outlier kualitas pada mortalitas yang diamati terhadap yang diharapkan. Penelitian sebelumnya tersebut memvariasikan metode analitik sambil mempertahankan kohort yang mendasarinya tetap. Penelitian kami memvariasikan mekanisme data yang hilang itu sendiri, secara sintetis, sehingga nilai sebenarnya yang diestimasi selalu diketahui, yang memungkinkan untuk menyatakan bias yang tepat daripada hanya perbedaan peringkat antar metode.

Temuan Kedua: Efek yang Disesuaikan Bertahan Lebih Baik dari yang Diharapkan setelah Pembatasan Kasus Lengkap

Pengaruh GCS yang disesuaikan dengan risiko terhadap mortalitas, yang dinyatakan sebagai koefisien log-odds model, rata-rata -0.300 dalam model oracle. Dalam model kasus lengkap, yang dibatasi pada sekitar setengah dari pasien dengan ketiga variabel yang diamati, koefisien rata-rata -0.301 , cukup dekat dengan nilai oracle sehingga kerugian tersebut lebih tepat digambarkan sebagai pengurangan presisi dari sampel yang lebih kecil dan lebih homogen daripada sebagai bias arah. Asimetri spesifik dan bermanfaat berada di balik hasil tersebut. Kerugian dari analisis kasus lengkap dalam pengaturan ini terkonsentrasi pada kuantitas marginal, tingkat mortalitas yang dilaporkan dan campuran kasus, daripada pada koefisien bersyarat yang disesuaikan dengan risiko yang sebenarnya dilaporkan oleh sebagian besar makalah trauma sebagai temuan utama mereka. Rasio odds yang disesuaikan untuk GCS dalam sebuah makalah mungkin kira-kira benar meskipun tingkat mortalitas kohort yang dinyatakan sangat salah, yang merupakan jenis kerusakan selektif yang akan dilewatkan oleh seorang peninjau yang hanya memindai statistik utama abstrak.

Temuan Ketiga: Imputasi Rata-Rata yang Naif Melemahkan Efek yang Disesuaikan yang Dipertahankan oleh Analisis Kasus Lengkap

Mengganti nilai GCS, tekanan darah sistolik, dan laju pernapasan yang hilang dengan rata-rata keseluruhan dari setiap variabel, sebuah jalan pintas yang setidaknya mempertahankan setiap pasien dalam analisis, menghasilkan koefisien GCS rata-rata -0.165 , pelemahan sekitar setengah relatif terhadap nilai oracle. Mekanisme langsung, bukan mekanisme yang halus, menjelaskan mengapa. Mengisi setiap GCS yang hilang dengan konstanta yang sama justru menghancurkan variasi GCS yang dibutuhkan regresi untuk memperkirakan pengaruhnya terhadap mortalitas, dan hal ini paling berdampak pada pasien yang GCS sebenarnya paling ekstrem, karena merekalah yang paling mungkin hilang sejak awal. Imputasi rata-rata menukar bias tingkat mortalitas dari analisis kasus lengkap dengan bias yang berbeda, dan dalam simulasi ini lebih besar, dalam efek yang disesuaikan yang sebenarnya dirancang untuk diperkirakan oleh penelitian ini.

Temuan Keempat: Imputasi Berganda dengan Hasil yang Disertakan Memulihkan Sebagian Besar Kerugian

Imputasi berganda, yang diterapkan dengan memasukkan hasil mortalitas ke dalam model imputasi dan digabungkan di seluruh imputasi berdasarkan aturan Rubin, menghasilkan koefisien GCS rata-rata -0.263 , memulihkan sebagian besar kesenjangan yang ditinggalkan oleh imputasi rata-rata naif, sekaligus mempertahankan setiap pasien dalam perhitungan tingkat mortalitas daripada menghilangkan pasien yang paling sakit seperti yang dilakukan analisis kasus lengkap. Ini adalah pilihan desain yang sama, imputasi berganda yang mencakup hasil, yang telah direkomendasikan oleh literatur metodologi khusus NTDB setidaknya sejak tahun 2009, dan simulasi di sini mereproduksi alasan rekomendasi tersebut berlaku secara independen dari dataset tunggal apa pun, menggunakan data sintetis sepenuhnya yang dibangun untuk mengisolasi mekanisme daripada kekhasan registri nyata mana pun.

Menerapkan Ini pada Ekstrak Registri Anda Sendiri

Empat langkah penting menerjemahkan simulasi ini ke dalam praktik pada berkas data peserta nyata. Kuantifikasi tingkat data yang hilang untuk GCS, tekanan darah sistolik, dan laju pernapasan secara terpisah, daripada melaporkan angka kelengkapan gabungan tunggal yang menyembunyikan variabel mana yang menjadi penyebab masalah. Uji apakah data yang hilang pada setiap variabel terkait dengan penanda keparahan lain yang diamati sepenuhnya, seperti flag intubasi, kedatangan dengan helikopter, ISS itu sendiri, karena asosiasi yang jelas merupakan ciri praktis dari data yang hilang yang informatif yang dimodelkan oleh simulasi ini. Jalankan imputasi berganda dengan hasil mortalitas, dan hasil lain yang dilaporkan oleh penelitian, yang disertakan sebagai prediktor dalam model imputasi, bukan dihilangkan dengan asumsi bahwa hasil hanya termasuk dalam tahap analisis. Dan laporkan hasil kasus lengkap bersamaan dengan hasil imputasi berganda, bukan sebagai penggantinya, sehingga peninjau dapat melihat ukuran koreksi secara langsung daripada menerimanya begitu saja.

Alat Gratis untuk Jenis Pemeriksaan Ini

• Enam teknik untuk membersihkan data registri klinis, untuk audit data yang hilang yang harus dilakukan sebelum keputusan imputasi apa pun.
• Tutorial daftar periksa pelaporan STROBE, tentang bagaimana alur data yang hilang harus didokumentasikan dalam manuskrip itu sendiri
• Penjelasan tentang basis data NTDB dan TQP, untuk serangkaian isu desain yang lebih luas di luar masalah data yang hilang yang perlu ditangani oleh studi TQP.

Apa Artinya Ini bagi Sebuah Manuskrip

Tiga kesimpulan praktis dapat langsung disimpulkan. Tingkat mortalitas atau proporsi kematian kasus yang diambil dari kohort registri trauma perlu diteliti secara khusus bagaimana penyebutnya dibangun, karena pembatasan kasus lengkap dapat mengurangi tingkat yang dilaporkan hingga setengahnya tanpa pesan kesalahan atau tanda bahaya yang jelas dalam output. Rasio odds yang disesuaikan untuk kovariat fisiologis relatif lebih kuat terhadap penanganan kasus lengkap daripada tingkat mentah, meskipun pengurangan ukuran sampel tetap mengurangi presisi dan memperluas interval kepercayaan. Dan dari dua jalan pintas umum, yaitu menghilangkan kasus yang tidak lengkap atau mengisi celah dengan rata-rata sampel, imputasi berganda dengan variabel hasil yang disertakan mengalahkan keduanya, yang merupakan praktik yang dianut oleh metodologi Studi Registri Trauma NTDB dan TQP milik Editverse sendiri untuk setiap proyek yang dijalankannya.

Ringkasan Hasil dari 300 Replikasi Python dan 100 Replikasi R

Hanya analisis kasus lengkap yang mengubah tingkat mortalitas yang dilaporkan, karena ini adalah satu-satunya metode yang mengubah pasien mana yang dianalisis, bukan mengisi informasi yang hilang tentang mereka. Hanya dua metode berbasis imputasi yang mempertahankan kohort lengkap dalam perhitungan mortalitas, dan dari kedua metode tersebut, imputasi berganda yang mencakup hasil adalah metode yang juga melindungi ukuran efek yang disesuaikan dengan risiko.

Batasan Simulasi Ini

Ini adalah ilustrasi sintetis yang dibuat untuk mengisolasi satu mekanisme secara jelas, bukan analisis ulang data TQP nyata, karena Editverse tidak memegang perjanjian penggunaan berkas peserta TQP dan tidak memperoleh dataset atas nama klien. Tingkat data yang hilang, struktur korelasi, dan model mortalitas dipilih agar berada dalam kisaran realistis berdasarkan literatur yang dipublikasikan yang dikutip di seluruh teks, bukan disesuaikan dengan tahun registrasi tertentu. Keterlibatan klien bekerja dari ekstrak klien sendiri, mengkarakterisasi pola data yang hilang sebenarnya dari berkas tersebut secara langsung, dan melaporkan analisis sensitivitas kasus lengkap bersamaan dengan hasil imputasi berganda utama persis seperti yang dijelaskan dalam penjelasan NTDB dan TQP kami.

Layanan profesional

Editverse membangun studi hasil trauma NTDB dan TQP dengan penanganan data fisiologis yang hilang melalui imputasi berganda yang mencakup hasil dan analisis sensitivitas kasus lengkap yang dilaporkan bersamaan, persis seperti yang divalidasi di sini.

Referensi

1. Shivasabesan G, Mitra B, O'Reilly GM. Data yang hilang dalam registri trauma: Tinjauan sistematis. Cedera. 2018;49(9):1641-1647. doi: 10.1016/j.injury.2018.03.035
2. O'Reilly GM, Cameron PA, Jolley DJ. Pasien mana yang memiliki data yang hilang? Analisis data yang hilang dalam registri trauma. Cedera. 2013;43(11):1917-1923. doi: 10.1016/j.injury.2012.07.185
3. Moore L, Hanley JA, Turgeon AF, Lavoie A, Emond M. Model imputasi berganda untuk mengimputasi data fisiologis yang hilang dalam bank data trauma nasional. Jurnal American College of Surgeons. 2009;209(5):572-579. doi: 10.1016/j.jamcollsurg.2009.07.004
4. Glance LG, Osler TM, Mukamel DB, Meredith W, Dick AW. Dampak pendekatan statistik untuk menangani data yang hilang terhadap kualitas pusat trauma. Sejarah Bedah. 2009;249(1):143-148. doi: 10.1097/SLA.0b013e31818e544b
5. Newgard CD. Validitas penggunaan imputasi berganda untuk data di luar rumah sakit yang hilang dalam registri trauma negara bagian. Kedokteran Darurat Akademik. 2006;13(3):314-324. doi: 10.1197/j.aem.2005.09.011
6. O'Reilly GM, Jolley DJ, Cameron PA, Gabbe B. Hilang dalam aksi: studi kasus penerapan metode untuk menangani data yang hilang pada benchmarking sistem trauma. Kedokteran Darurat Akademik. 2011;17(10):1122-1129. doi: 10.1111 / j.1553-2712.2010.00887.x