La gestion des données manquantes dans les études

observationnelles publiées dans cinq journaux de renom :

pratique et manière de rapporter les résultats
Pierre Blavier

To cite this version:

Pierre Blavier. La gestion des données manquantes dans les études observationnelles publiées dans cinq
journaux de renom : pratique et manière de rapporter les résultats. Médecine humaine et pathologie.
2021. �dumas-03428897�

HAL Id: dumas-03428897

https://dumas.ccsd.cnrs.fr/dumas-03428897
Submitted on 15 Nov 2021

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 UFR DE SANTE DE ROUEN NORMANDIE

ANNEE 2021 N°

THESE POUR LE
DOCTORAT EN MEDECINE

Spécialité Santé Publique et Médecine Sociale

Par
BLAVIER Pierre
NE LE 20/12/1994 A Mont Saint Aignan

PRESENTEE ET SOUTENUE PUBLIQUEMENT LE 25/10/2021

La gestion des données manquantes dans les études observationnelles

publiées dans cinq journaux de renom : pratique et manière de rapporter
les résultats

PRESIDENT DE JURY : Professeur Jacques BENICHOU

DIRECTEUR DE THESE : Docteur Thibaut PRESSAT LAFFOUILHERE
MEMBRES DU JURY : Professeur Stéfan DARMONI
Docteur Joël LADNER

1
 ANNEE UNIVERSITAIRE 2020 - 2021
U.F.R. SANTÉ DE ROUEN
-------------------------

DOYEN : Professeur Benoît VEBER

ASSESSEURS : Professeur Loïc FAVENNEC

Professeur Agnès LIARD
Professeur Guillaume SAVOYE

I - MEDECINE

PROFESSEURS DES UNIVERSITES – PRATICIENS HOSPITALIERS

Mr Frédéric ANSELME HCN Cardiologie

Mme Gisèle APTER Havre Pédopsychiatrie
Mme Isabelle AUQUIT AUCKBUR HCN Chirurgie plastique
Mr Jean-Marc BASTE HCN Chirurgie Thoracique
Mr Fabrice BAUER HCN Cardiologie
Mme Soumeya BEKRI HCN Biochimie et biologie moléculaire
Mr Ygal BENHAMOU HCN Médecine interne
Mr Jacques BENICHOU HCN Bio statistiques et informatique médicale
Mr Olivier BOYER UFR Immunologie
Mme Sophie CANDON HCN Immunologie
Mr François CARON HCN Maladies infectieuses et tropicales
Mr Philippe CHASSAGNE HCN Médecine interne (gériatrie)
Mr Moïse COEFFIER HCN Nutrition
Mr Vincent COMPERE HCN Anesthésiologie et réanimation chirurgicale
Mr Jean-Nicolas CORNU HCN Urologie
Mr Antoine CUVELIER HB Pneumologie
Mr Jean-Nicolas DACHER HCN Radiologie et imagerie médicale
Mr Stéfan DARMONI HCN Informatique médicale et techniques de communication
Mr Pierre DECHELOTTE HCN Nutrition
Mr Stéphane DERREY HCN Neurochirurgie

2
Mr Frédéric DI FIORE CHB Cancérologie
Mr Fabien DOGUET HCN Chirurgie Cardio Vasculaire
Mr Jean DOUCET SJ Thérapeutique - Médecine interne et gériatrie
Mr Bernard DUBRAY CHB Radiothérapie
Mr Frank DUJARDIN HCN Chirurgie orthopédique - Traumatologique
Mr Fabrice DUPARC HCN Anatomie - Chirurgie orthopédique et traumatologique
Mr Eric DURAND HCN Cardiologie
Mr Bertrand DUREUIL HCN Anesthésiologie et réanimation chirurgicale
Mme Hélène ELTCHANINOFF HCN Cardiologie
Mr Manuel ETIENNE HCN Maladies infectieuses et tropicales
Mr Thierry FREBOURG UFR Génétique
Mr Pierre FREGER (surnombre) HCN Anatomie - Neurochirurgie
Mr Jean François GEHANNO HCN Médecine et santé au travail
Mr Emmanuel GERARDIN HCN Imagerie médicale
Mme Priscille GERARDIN HCN Pédopsychiatrie
M. Guillaume GOURCEROL HCN Physiologie
Mr Dominique GUERROT HCN Néphrologie
Mme Julie GUEUDRY HCN Ophtalmologie
Mr Olivier GUILLIN HCN Psychiatrie Adultes
Mr Claude HOUDAYER HCN Génétique
Mr Fabrice JARDIN CHB Hématologie
Mr Luc-Marie JOLY HCN Médecine d’urgence
Mr Pascal JOLY HCN Dermato – Vénéréologie
Mme Bouchra LAMIA Havre Pneumologie
Mme Annie LAQUERRIERE HCN Anatomie et cytologie pathologiques
Mr Vincent LAUDENBACH HCN Anesthésie et réanimation chirurgicale
Mr Hervé LEFEBVRE HB Endocrinologie et maladies métaboliques
Mr Thierry LEQUERRE HCN Rhumatologie
Mme Anne-Marie LEROI HCN Physiologie
Mr Hervé LEVESQUE HCN Médecine interne
Mme Agnès LIARD-ZMUDA HCN Chirurgie Infantile
Mr Pierre Yves LITZLER HCN Chirurgie cardiaque
M. David MALTETE HCN Neurologie
Mr Christophe MARGUET HCN Pédiatrie
Mme Isabelle MARIE HCN Médecine interne
Mr Jean-Paul MARIE HCN Oto-rhino-laryngologie
Mr Loïc MARPEAU HCN Gynécologie - Obstétrique
Mr Stéphane MARRET HCN Pédiatrie
3
Mme Véronique MERLE HCN Epidémiologie
Mr Pierre MICHEL HCN Hépato-gastro-entérologie
M. Benoit MISSET (détachement) HCN Réanimation Médicale
Mr Marc MURAINE HCN Ophtalmologie
Mr Christian PFISTER HCN Urologie
Mr Jean-Christophe PLANTIER HCN Bactériologie - Virologie
Mr Didier PLISSONNIER HCN Chirurgie vasculaire
Mr Gaëtan PREVOST HCN Endocrinologie
Mr Jean-Christophe RICHARD (détachement) HCN Réanimation médicale - Médecine d’urgence
Mr Vincent RICHARD UFR Pharmacologie
Mme Nathalie RIVES HCN Biologie du développement et de la reproduction
Mr Horace ROMAN (détachement) HCN Gynécologie - Obstétrique
Mr Jean-Christophe SABOURIN HCN Anatomie – Pathologie
Mr Mathieu SALAUN HCN Pneumologie
Mr Guillaume SAVOYE HCN Hépato-gastrologie
Mme Céline SAVOYE–COLLET HCN Imagerie médicale
Mme Pascale SCHNEIDER HCN Pédiatrie
Mr Lilian SCHWARZ HCN Chirurgie Viscérale et Digestive
Mr Michel SCOTTE HCN Chirurgie digestive
Mme Fabienne TAMION HCN Thérapeutique
Mr Luc THIBERVILLE HCN Pneumologie
Mr Hervé TILLY (surnombre) CHB Hématologie et transfusion
M. Gilles TOURNEL HCN Médecine Légale
Mr Olivier TROST HCN Anatomie -Chirurgie Maxillo-Faciale
Mr Jean-Jacques TUECH HCN Chirurgie digestive
Mr Benoît VEBER HCN Anesthésiologie - Réanimation chirurgicale
Mr Pierre VERA CHB Biophysique et traitement de l’image
Mr Eric VERIN Les Herbiers Médecine Physique et de Réadaptation
Mr Eric VERSPYCK HCN Gynécologie obstétrique
Mr Olivier VITTECOQ HC Rhumatologie
Mr David WALLON HCN Neurologie
Mme Marie-Laure WELTER HCN Physiologie

4
MAITRES DE CONFERENCES DES UNIVERSITES – PRATICIENS HOSPITALIERS

Mme Najate ACHAMRAH HCN Nutrition

Mme Elodie ALESSANDRI-GRADT HCN Virologie
Mme Noëlle BARBIER-FREBOURG HCN Bactériologie – Virologie
Mr Emmanuel BESNIER HCN Anesthésiologie - Réanimation
Mme Carole BRASSE LAGNEL HCN Biochimie
Mme Valérie BRIDOUX HUYBRECHTS HCN Chirurgie Vasculaire
Mr Gérard BUCHONNET HCN Hématologie
Mme Mireille CASTANET HCN Pédiatrie
Mme Nathalie CHASTAN HCN Neurophysiologie
M. Vianney GILARD HCN Neurochirurgie
Mr Serge JACQUOT UFR Immunologie
Mr Joël LADNER HCN Epidémiologie, économie de la santé
Mr Jean-Baptiste LATOUCHE UFR Biologie cellulaire
M. Florent MARGUET HCN Histologie
Mme Chloé MELCHIOR HCN Gastroentérologie
M. Sébastien MIRANDA HCN Chirurgie Vasculaire
Mr Thomas MOUREZ (détachement) HCN Virologie
Mr Gaël NICOLAS UFR Génétique
Mme Muriel QUILLARD HCN Biochimie et biologie moléculaire
Mme Laëtitia ROLLIN HCN Médecine du Travail
Mme Pascale SAUGIER-VEBER HCN Génétique
M. Abdellah TEBANI HCN Biochimie et Biologie Moléculaire
Mme Anne-Claire TOBENAS-DUJARDIN HCN Anatomie
Mr Julien WILS HCN Pharmacologie

PROFESSEUR AGREGE OU CERTIFIE

Mr Thierry WABLE UFR Communication
Mme Mélanie AUVRAY-HAMEL UFR Anglais

ATTACHE TEMPORAIRES D’ENSEIGNEMENT ET DE RECHERCHE à MI-TEMPS

Mme Justine SAULNIER UFR Biologie

5
 II - PHARMACIE

PROFESSEURS DES UNIVERSITES

Mr Jérémy BELLIEN (PU-PH) Pharmacologie

Mr Thierry BESSON Chimie Thérapeutique
Mr Jean COSTENTIN (Professeur émérite) Pharmacologie
Mme Isabelle DUBUS Biochimie
Mr Abdelhakim EL OMRI Pharmacognosie
Mr François ESTOUR Chimie Organique
Mr Loïc FAVENNEC (PU-PH) Parasitologie
Mr Jean Pierre GOULLE (Professeur émérite) Toxicologie
Mme Christelle MONTEIL Toxicologie
Mme Martine PESTEL-CARON (PU-PH) Microbiologie
Mr Rémi VARIN (PU-PH) Pharmacie clinique
Mr Jean-Marie VAUGEOIS Pharmacologie
Mr Philippe VERITE Chimie analytique

MAITRES DE CONFERENCES DES UNIVERSITES

Mme Cécile BARBOT Chimie Générale et Minérale

Mr Frédéric BOUNOURE Pharmacie Galénique
Mr Thomas CASTANHEIRO MATIAS Chimie Organique
Mr Abdeslam CHAGRAOUI Physiologie
Mme Camille CHARBONNIER (LE CLEZIO) Statistiques
Mme Elizabeth CHOSSON Botanique
Mme Marie Catherine CONCE-CHEMTOB Législation pharmaceutique et économie de la santé
Mme Cécile CORBIERE Biochimie
Mme Nathalie DOURMAP Pharmacologie
Mme Isabelle DUBUC Pharmacologie
Mme Dominique DUTERTE- BOUCHER Pharmacologie
Mr Gilles GARGALA (MCU-PH) Parasitologie
Mme Nejla EL GHARBI-HAMZA Chimie analytique
Mme Marie-Laure GROULT Botanique
Mr Chervin HASSEL Biochimie et Biologie Moléculaire

6
Mme Maryline LECOINTRE Physiologie
Mme Hong LU Biologie
Mme Marine MALLETER Toxicologie
M. Jérémie MARTINET (MCU-PH) Immunologie
M. Romy RAZAKANDRAINIBÉ Parasitologie
Mme Tiphaine ROGEZ-FLORENT Chimie analytique
Mr Mohamed SKIBA Pharmacie galénique
Mme Malika SKIBA Pharmacie galénique
Mme Christine THARASSE Chimie thérapeutique
Mr Frédéric ZIEGLER Biochimie

PROFESSEURS ASSOCIES
Mme Cécile GUERARD-DETUNCQ Pharmacie officinale
Mme Caroline BERTOUX Pharmacie

PAU-PH
M. Mikaël DAOUPHARS

PROFESSEUR CERTIFIE
Mme Mathilde GUERIN Anglais

ASSISTANTS HOSPITALO-UNIVERSITAIRES
Mme Alice MOISAN Virologie
M. Henri GONDÉ Pharmacie

ATTACHES TEMPORAIRES D’ENSEIGNEMENT ET DE RECHERCHE

Mme Soukaina GUAOUA-ELJADDI Informatique
Mme Clémence MEAUSOONE Toxicologie

ATTACHE TEMPORAIRE D’ENSEIGNEMENT

Mme Ramla SALHI Pharmacognosie

7
 LISTE DES RESPONSABLES DES DISCIPLINES PHARMACEUTIQUES

Mme Cécile BARBOT Chimie Générale et minérale

Mr Thierry BESSON Chimie thérapeutique
Mr Abdeslam CHAGRAOUI Physiologie
Mme Elisabeth CHOSSON Botanique
Mme Marie-Catherine CONCE-CHEMTOB Législation et économie de la santé
Mme Isabelle DUBUS Biochimie
Mr Abdelhakim EL OMRI Pharmacognosie
Mr François ESTOUR Chimie organique
Mr Loïc FAVENNEC Parasitologie
Mr Michel GUERBET Toxicologie
Mme Martine PESTEL-CARON Microbiologie
Mr Mohamed SKIBA Pharmacie galénique
Mr Rémi VARIN Pharmacie clinique
M. Jean-Marie VAUGEOIS Pharmacologie
Mr Philippe VERITE Chimie analytique

8
 III – MEDECINE GENERALE

PROFESSEUR MEDECINE GENERALE

Mr Jean-Loup HERMIL (PU-MG) UFR Médecine générale

MAITRE DE CONFERENCE MEDECINE GENERALE

Mr Matthieu SCHUERS (MCU-MG) UFR Médecine générale

PROFESSEURS ASSOCIES A MI-TEMPS – MEDECINS GENERALISTE

Mr Pascal BOULET UFR Médecine générale

Mr Emmanuel LEFEBVRE UFR Médecine Générale
Mme Elisabeth MAUVIARD UFR Médecine générale
Mr Philippe NGUYEN THANH UFR Médecine générale
Mme Yveline SEVRIN UFR Médecine générale

MAITRE DE CONFERENCES ASSOCIE A MI-TEMPS – MEDECINS GENERALISTES

Mme Laëtitia BOURDON UFR Médecine Générale

Mme Elsa FAGOT-GRIFFIN UFR Médecine Générale
Mr Emmanuel HAZARD UFR Médecine Générale
Mme Lucile PELLERIN UFR Médecine générale

9
 ENSEIGNANTS MONO-APPARTENANTS

PROFESSEURS

Mr Paul MULDER (phar) Sciences du Médicament

Mme Su RUAN (med) Génie Informatique

MAITRES DE CONFERENCES

Mr Sahil ADRIOUCH (med) Biochimie et biologie moléculaire (Unité Inserm 905)

Mme Gaëlle BOUGEARD-DENOYELLE (med) Biochimie et biologie moléculaire (UMR 1079)
Mme Carine CLEREN (med) Neurosciences (Néovasc)
M. Sylvain FRAINEAU (med) Physiologie (Inserm U 1096)
Mme Pascaline GAILDRAT (med) Génétique moléculaire humaine (UMR 1079)
Mr Nicolas GUEROUT (med) Chirurgie Expérimentale
Mme Rachel LETELLIER (med) Physiologie
Mr Antoine OUVRARD-PASCAUD (med) Physiologie (Unité Inserm 1076)
Mr Frédéric PASQUET Sciences du langage, orthophonie
Mme Anne-Sophie PEZZINO Orthophonie
Mme Christine RONDANINO (med) Physiologie de la reproduction
Mr Youssan Var TAN Immunologie
Mme Isabelle TOURNIER (med) Biochimie (UMR 1079)

DIRECTEUR ADMINISTRATIF : M. Jean-Sébastien VALET

HCN - Hôpital Charles Nicolle HB - Hôpital de BOIS GUILLAUME

CB - Centre Henri Becquerel CHS - Centre Hospitalier Spécialisé du Rouvray

CRMPR - Centre Régional de Médecine Physique et de Réadaptation SJ – Saint Julien Rouen

10
 Par délibération en date du 3 mars 1967, la faculté a arrêté que
les opinions émises dans les dissertations qui lui seront présentées
doivent être considérées comme propres à leurs auteurs et qu’elle
n’entend leur donner aucune approbation ni improbations.

11
Sommaire

Introduction générale

Avant-propos 15

A – Données (définition dans cette thèse) 16

B – Données manquantes 16

C – Mécanismes de production des données manquantes 17

D – Impacts de la présence de données manquantes 19

E – Méthodes de gestion des données manquantes 20

1 – Méthodes de délétion 20

2 – Méthodes d’imputation 21

3 – Méthodes de pondération 22

F – Introduction du sujet 24

Article de la thèse

Introduction 26

Méthode 28

Inclusion des articles 28

Variables recueillies 29

Analyses statistiques 30

Résultats 31

Discussion 37

Forces & limites 39

Conclusion 40

Bibliographie 41

Résumé 44

14
La gestion des données manquantes dans les études observationnelles publiées dans cinq
journaux de renom : pratique et manière de rapporter les résultats

Introduction

Avant-Propos

La recherche biomédicale est un domaine de recherche scientifique regroupant toute

activité dont la finalité est de contribuer à un progrès dans la connaissance de la biologie
humaine, des maladies et de leurs traitements. Cette recherche peut être interventionnelle (e.g.
essai clinique randomisé sur les anti-diabétiques oraux) ou observationnelle (e.g. étude des
patients exposés au tabac). Les avancées de la recherche scientifique se diffusent via la
publication d'articles scientifiques qui relatent le déroulement et les résultats d'études ou
d'expériences. Celles-ci s'appuient sur l'analyse de données dont la qualité est primordiale
pour comprendre et interpréter au mieux les résultats. La connaissance basée sur la recherche
biomédicale ou basée sur les preuves (evidence based medicine) s'appuie notamment sur la
répétition des études, indissociable de la complétude du rapport permettant une bonne
reproductibilité par les pairs.

La forme d'un article scientifique est standardisée (Introduction, Methods, Results, and
Discussion, ou plan IMRAD). L'introduction donne les éléments de contexte aboutissant à la
question de recherche. Vient ensuite une partie matériel & méthodes, qui explique d'où
viennent les données, quelles données sont recueillies, de quelle manière, la temporalité du
recueil, quelles données seront analysées et de quelle manière. Ensuite vient la partie dédiée
aux résultats, mettant en avant les résultats les plus importants (résultats de l'analyse
principale) tout en expliquant leur sens. S'en suit une partie dite de discussion, où les résultats
sont nuancés, les forces, faiblesses limites de l'étude sont expliquées et où les perspectives de
recherche future sont présentées. Une brève conclusion, rappelant les principaux résultats et
nuances principales de l'étude apparait parfois. Des appendices de l'étude existent parfois,
détaillant certains points de l'étude (détails des analyses statistiques, résultats secondaires,
autres). Les articles sont soumis à des revues scientifiques, qui font relire ces articles par des
chercheurs du même domaine (revue par les pairs), avant de les approuver et de les publier,
permettant leur diffusion.

Cette thèse s'intéresse à la manière de rapporter les méthodes et les résultats en lien
15
avec les données manquantes ainsi qu'aux pratiques relatives à leur gestion. Tout d'abord les
concepts de données et de données manquantes seront définis. Ensuite, les différents
mécanismes de production des données manquantes, l'impact et les méthodes de gestion
seront rappelés. Enfin, la problématique de notre étude sera introduite.

A – Données (définition dans cette thèse)

Une variable correspond à chaque paramètre mesuré d'une observation (e.g. sexe, âge,
présence de pathologie, valeur biologique). Chacune de ces variables peut prendre plusieurs
valeurs (e.g. homme ou femme pour la variable sexe, tout nombre entier supérieur à 0 pour la
variable âge). Chaque observation (patient, séjour, visite) est décrite avec une valeur par
variable. Une donnée est donc la valeur d'une variable, pour une observation. La somme des
données constitue un jeu de données.

Tableau schématisant un ensemble de données complètes

Sexe Age Poids (en kg) Statut tabagique

Patient 1 Femme 32 62 Fumeur actif

Patient 2 Homme 78 50 Ancien fumeur

Patient 3 Homme 19 115 Non fumeur

Patient 4 Femme 40 74 Non fumeur

Dans le tableau ci-dessus, 4 variables sont recueillies (sexe, âge, poids, statut tabagique). Ces
4 variables sont recueillies pour 4 patients (il y a donc 4 observations). Une valeur est
attribuée à chaque variable observée.

B – Données manquantes

Une donnée manquante correspond au fait que, pour un couple variable-observation, la

valeur est manquante. Une variable en particulier peut présenter de nombreuse valeurs
manquantes (e.g. question intrusive sur la vie personnelle du sujet ou sur des sujets intimes de
la vie privée). Un individu (observation) peut présenter beaucoup de données manquantes
(e.g. questionnaire non terminé). Lorsqu'on parle des données manquantes dans un sens plus
général, il s'agit donc de l'ensemble des valeurs manquantes. Le tableau suivant donne un

16
exemple de répartition possible des données manquantes (classiquement représentées par
l'acronyme NA pour Not Available, non disponible).

Tableau schématisant un ensemble de données

Sexe Age Poids Statut tabac

Patient 1 Femme NA NA NA

Patient 2 Homme 78 50 NA

Patient 3 Homme 19 115 Non fumeur

Patient 4 Femme NA 74 Non fumeur

Chaque étude étant différente, la proportion de données manquantes est donc très
variable d'un jeu de données à l'autre. La situation idéale est celle où il n'y a aucune donnée
manquante, cependant, cette situation est rare en réalité [1].

Schématiquement, plus le nombre de patients ainsi que de variables croissent, plus le

nombre de données manquantes croît. Cela dépend de la difficulté à recueillir la variable mais
aussi du mécanisme, parfois plus complexe que le simple hasard, causant la donnée
manquante.
Plusieurs raisons peuvent aboutir à la présence de données manquantes. Au sein d'une même
étude, les causes d'une donnée manquante peuvent varier.

C - Mécanismes de production des données manquantes

Selon Rubin, les mécanismes de production de données manquantes peuvent être classés en 3
catégories [2].

1) Données manquantes de façon complètement aléatoire (Missing completely at

random, MCAR)

Ce sont les variables pour lesquelles la donnée manquante est indépendante de toute autre
variable (observable ou non), et apparaissant de façon aléatoire. Ces données manquantes
n'entrainent donc pas de biais. C'est par exemple un patient dont l'information sur la
consommation de drogue intraveineuse est manquante du simple fait que son questionnaire ait

17
été égaré.

2) Données manquantes de façon non aléatoire (Missing not at random, MNAR)

Ce sont les variables pour lesquelles la valeur de la donnée manquante est liée à sa vraie
valeur. Par exemple, dans une étude s’intéressant à la consommation de drogues
intraveineuses, il est envisageable que les personnes consommatrices de ces produits soient
moins susceptibles de délivrer cette information du fait qu'un certain tabou existe concernant
ces consommations.
Ces données manquantes exposent au risque de biais de sélection.

3) Données manquantes de façon aléatoire (Missing at random, MAR)

Cet intitulé est trompeur. En effet, ce sont des données manquantes de façon non aléatoire,
mais où leur absence peut être attribuée à une variable pour laquelle on a une information
complète. Poursuivons avec l'exemple des drogues intraveineuses : il est possible que les
femmes soient moins susceptibles de délivrer cette information.
Ce type de données manquantes peut engendrer un léger biais, relativement contrôlable dans
la mesure où l'on a une information sur la donnée manquante grâce à une autre variable.

Ces mécanismes de production de données manquantes sont des mécanismes probabilistes.

C'est à dire que chaque valeur manquante d'une variable n'est pas systématiquement dûe au
mécanisme supposé, mais seulement qu'un mécanisme domine. En reprenant les exemples vus
précédemment, si la donnée relative à la consommation de drogues intraveineuses est
manquante chez une femme, il est donc possible que ce soit du fait de sa consommation, du
fait de son sexe, ou bien simplement du fait du hasard.

Ces différents types de données manquantes peuvent être représentés graphiquement [3].

18
Graphiques schématisant les mécanismes de production de données manquantes

(a) Absence de donnée manquante

(b), (c) & (d) Processus de donnée manquante MCAR, MAR et MNAR respectivement.
G représente la variable genre, A l'âge, O l'obésité. R0 représente un mécanisme de donnée
manquante. O* représente l'information disponible sur la variable obésité, dépendant de
l'obésité et du mécanisme R0.
Les flèches représentent l'existence d'une relation entre les variables. Ainsi, l'absence de
flèche entre G et A indique leur indépendance.
Supposons que les variables G et A n'ont pas de données manquantes. La variable O ne
dépend que de G et de A. Dans le graphe (a), il n'y a pas de mécanisme de production de
données manquantes, il s'agit donc d'une représentation où les données sont complètes.
Dans les graphes suivants, il existe un mécanisme de donnée manquante. L'information O* est
donc incomplète. Dans le graphe (b), le mécanisme en cause est indépendant de toute
variable. Il s'agit donc d'une situation de donnée manquante complètement au hasard.
Dans le graphe (c), le mécanisme en cause dépend d'une autre variable, pour laquelle on a une
information complète (variable A). Il s'agit d'une situation de donnée manquante de façon
aléatoire.
Enfin dans le graphe (d), le mécanisme en cause dépend de la variable pour laquelle les
données sont incomplètes (variable O). Il s'agit d'une situation de donnée manquante de façon
non aléatoire.

D – Impacts de la présence de données manquantes

Les données manquantes exposent à deux risques principaux [4] :

- Quel que soit le mécanisme de production des données manquantes, la baisse de
19
quantité d'information aboutit à une baisse de puissance statistique.
- Exposition au risque de biais de sélection. Imaginons une étude s'intéressant à l'état
de santé de patients à 3 mois d'une opération. Il est possible que les patients ayant le meilleur
état de santé ne reconsultent pas à 3 mois, du fait de leur bon état de santé. Ainsi, l'étude
risque de considérer un état de santé globalement moins bon que ce qu'il n’est en réalité.
Cependant, il est possible que ce soient justement les patients dans le moins bon état de santé
qui ne reconsultent pas (du fait d'une hospitalisation autre, d’un décès, d’un changement de
médecin, par exemple) et donc conduire à une autre conclusion.

Tout cela peut aboutir à des résultats biaisés. Pour pallier les potentiels biais,
différentes méthodes ont été développées pour gérer ces données manquantes.

E – Méthodes de gestion des données manquantes

Il existe de nombreuses méthodes pour gérer ces données manquantes. La meilleure

méthode reste de prévenir l'apparition de ce problème en planifiant au mieux l'étude et en
étant vigilant au recueil des données [5]. On peut par exemple réduire le nombre de visites, ne
recueillir que les données nécessaires, utiliser un formulaire de saisie clair, standardiser le
recueil d'information, entraîner les investigateurs et collaborateurs au recueil de données.
Cependant, cela n'est parfois pas suffisant ou est difficile à mettre en place. En effet, dans les
études observationnelles, l'investigateur ne rencontre pas nécessairement le patient. Les
informations peuvent être recueillies par divers moyens (comme un questionnaire, le dossier
médical, d’autres bases de données). Cela s'avère d'autant plus problématique si l'on est dans
le cadre d'une étude rétrospective. Effectivement, dans cette situation, certaines données
intéressantes dans le cadre de l'étude peuvent ne pas avoir été recueillies par le passé, et donc
nécessairement conduire à une situation de donnée manquante. Par exemple, pour une étude
s'intéressant au lien entre l'indice de masse corporelle (IMC) et la présence d'infection
nosocomiale chez les patients dans un service donné, le poids de certains patients peut ne pas
avoir été mesuré et donc l'IMC sera manquant pour ces patients.

Un grand nombre de méthodes ont donc été développées pour gérer ces données manquantes
dans les analyses. Se pose alors la question de quelle méthode adopter.

1 - Méthodes de délétion
Avec ces méthodes, les patients présentant des données manquantes sont retirés de l'analyse.
20
Une des méthodes les plus courantes [6] est la méthode dite de délétion de cas (ou exclusion
de cas). Cette méthode consiste simplement à retirer de l'analyse les patients ayant une donnée
manquante. On parle alors d'analyse en cas complets. Cette méthode ne biaise pas
l'estimation du paramètre si l'on a des données MCAR [7]. On a cependant une perte de
puissance d'autant plus importante qu'il y a de patients avec des données manquantes.
Une méthode proche est la méthode de délétion par paire où l'on va retirer le patient des
analyses uniquement s'il présente une donnée manquante pour la variable étudiée. Le patient
sera analysé si l'on s'intéresse aux variables pour lesquelles les données sont observées. Cette
méthode reste généralement moins pénalisante que l'analyse en cas complets. Elle implique
par contre d'avoir des analyses avec des échantillons de différentes tailles et avec une erreur
standard variable.
Par défaut les modèles et logiciels statistiques appliquent des analyses en cas complets.

2 - Méthodes d'imputation
On parle d'imputation simple lorsque la donnée manquante va être remplacée une seule fois,
par une unique valeur.

2.1 - Imputation simple

Catégorie "donnée manquante" : En appliquant cette méthode, le fait qu'une donnée soit
manquante sera considéré comme une variable de réponse catégorielle. Ainsi, lors de l'emploi
de modèles multivariés (modèles de régression multiples par exemple), la variable de réponse
sera analysée en fonction du fait que des données soient manquantes dans les variables
d'ajustement.

Imputation par la moyenne : Lorsque l'on applique cette méthode, la moyenne des valeurs
de la variable va remplacer les données manquantes de cette même variable. Cette méthode
s'appuie sur le fait qu'il est raisonnable, dans le cadre d'une distribution normale, de supposer
qu'une observation de la variable prise aléatoirement soit proche de la moyenne. Cependant, si
les données manquantes ne le sont pas de façon complètement aléatoire, cela peut renforcer
un biais déjà existant. Cette méthode n'apporte donc aucune information supplémentaire et a
pour effet de maximiser l'effectif à analyser, tout en diminuant l'erreur standard [8]. Des
variantes de cette méthode sont l'imputation par le mode ou la médiane.

Dernière observation reportée [9] : Cette méthode est aisément applicable dans le cas
21
d'études longitudinales, où les mêmes variables sont recueillies à différents moments d'une
prise en charge, par exemple à 1 mois, 3 mois, 6 mois. Elle consiste simplement à remplacer
la donnée manquante par la dernière valeur observée de cette variable chez le patient. Elle
suppose donc qu'on considère qu'entre un instant t et l'instant t+1, la valeur n'a pas été
modifiée, ce qui n'est pas toujours vrai. Cela produit donc un biais dans l'estimation du
paramètre et sous-estime la variabilité du résultat.
Des variantes de cette méthode existent, où l'on va remplacer les données manquantes par la
valeur recueillie à des instants autres. Une de ces variantes est celle de la prochaine
observation reportée, où la valeur manquante à un instant t sera remplacée par la valeur à un
instant t+1.

Imputation avec méthode de régression : Avec cette technique, on va estimer la valeur de la

donnée manquante, en se basant sur d'autres variables présentes (via un modèle de
régression). Cette estimation va remplacer la donnée manquante. Cette méthode diminue
également l''erreur standard. Cette méthode peut donner lieu à la production de valeurs qui
peuvent ne correspondre à aucune observation réelle.

Hot deck imputation [10] : Pour appliquer cette méthode, pour chaque patient présentant une
donnée manquante pour la variable d'intérêt, un sous-échantillon de patients similaires est
utilisé (en fonction de la correspondance présentée par certaines variables entre le patient
ayant la donnée manquante et les autres). Ensuite, une valeur présentée parmi un patient
sélectionné aléatoirement dans ce sous-échantillon sera imputée à la donnée manquante.

2.2 - Imputations multiples

On parle d'imputation multiple lorsque la donnée manquante va être remplacée par plusieurs
valeurs possibles. Ce qui offre l'avantage de conserver la variabilité et l'incertitude des
valeurs.

Markov chain Monte-Carlo (MCMC) [11]

Cette méthode s'appuie sur 2 éléments : les chaînes de Markov et les méthodes de Monte-
Carlo.
Les chaînes de Markov sont des chaînes de probabilités où l'événement à un temps t + 1 ne
dépend que de l'état à l'instant t.

22
 Schéma d'une chaîne de Markov

On voit dans ce schéma que la probabilité qu'il y ait de la pluie le lendemain d'un jour j ne
dépend que de l'état de la météo du jour j, et non de la météo des jours antérieurs.

Avec les méthodes de Monte-Carlo, on va simuler plusieurs échantillons aléatoires,

indépendants les uns des autres, à partir de données disponibles.
Les méthodes de Markov Chain Monte-Carlo reposent sur ces 2 principes. On va simuler
plusieurs échantillons (méthode Monte-Carlo), où les valeurs de l'échantillon à l'étape n + 1
ne dépendent que de l'échantillon à l'étape n (chaine de Markov). Après un nombre d'itérations
suffisamment élevé les échantillons suivent la distribution recherchée [12].

Une méthode s'appuyant sur les algorithmes de MCMC est la Multiple imputation by
chained equation (MICE) ou imputation multiple par équations chaînées [13].
Dans le premier temps de cette méthode, on va imputer les données manquantes d'une
première variable avec des valeurs aléatoirement sélectionnées parmi les observations avec
des valeurs disponibles pour cette variable.
Ensuite, la 2ème variable sera imputée en utilisant un modèle de régression s'appuyant sur
cette première variable imputée. Puis la 3ème sera imputée en utilisant un modèle de
régression s'appuyant sur ces 2 variables imputées. Une fois toutes les variables imputées
(échantillon Xi), il est possible de réitérer l'opération, en s'appuyant sur les données
précédemment imputées. L'échantillon Xi+1 ne dépend donc que de l'échantillon Xi (Chaines
de Markov).
Les variables utilisées pour effectuer ces imputations itératives peuvent être sélectionnées, ou
bien représenter l'ensemble des variables disponibles. Ces variables composent la matrice de
23
prédiction.
Le processus est répété sur plusieurs jeux de données distincts. Les imputations de chaque jeu
de données sont alors totalement indépendantes les unes des autres (Monte Carlo).
Les analyses sont ensuite effectuées sur les jeux de données simulés puis le résultat moyen de
ces analyses est utilisé.

3 – Méthode de pondération

Pondération par la probabilité inverse [15]

Lors de l'application de cette méthode, seuls les cas complets sont considérés. La probabilité
de ne pas présenter de donnée manquante va être calculée et inversée. Puis cette probabilité
inverse va être utilisée pour pondérer les patients et une analyse en cas complet est effectuée.
Ainsi, un patient ayant une faible probabilité d'avoir une donnée complète (10% de chance par
exemple) sera pondéré plus fortement lors de l'analyse (1/10% soit un facteur 10). Cela
permet une meilleure représentativité des patients ayant une forte probabilité d'avoir une
donnée manquante.

D'autres méthodes existent, certaines faisant appel à des algorithmes utilisés en intelligence
artificielle (apprentissage automatique) comme la méthode des k plus proches voisins [16].

Il existe donc différents mécanismes de production de données manquantes et encore plus de

méthodes pour les gérer lors des analyses.

F – Introduction du sujet

Dans les études interventionnelles, la gestion des données manquantes est dans le
meilleur des cas prévue et décrite dans le protocole de recherche. Le plus souvent il y a un
protocole avec un recueil prospectif actif qui est censé minimiser la quantité de données
manquantes. De plus, la tendance actuelle concernant les analyses d'essai clinique consiste à
faire une analyse en intention de traiter, qui nécessite la complétude des données de suivi des
patients [17].
Dans les études observationnelles, il n'y a pas forcément de protocole produit en amont
de l'étude, donc on ne sait pas nécessairement quelles analyses sont prévues et comment est
anticipée la gestion des données. Ainsi, la méthode décrite dans les articles est le seul moyen
de savoir ce qui a été fait. Cela nécessite donc une manière exigeante de rapporter les
24
méthodes et les résultats afin de pouvoir comprendre au mieux les analyses.
Le guide de bonnes pratiques STROBE [18] précise les éléments essentiels devant
figurer dans les articles. Concernant les données manquantes, il est spécifié que la manière de
gérer les données manquantes doit apparaître dans la partie méthode : "Statistical methods 12
(c) : Explain how missing data were adressed" et que le nombre de patients présentant des
données manquantes pour chaque variable d’intérêt doit figurer dans la partie résultats :
"Descriptive data 14 (b) : Indicate number of participants with missing data for each variable
of interest.". Ces recommandations étant peu précises, d'autres auteurs ont proposé des
recommandations supplémentaires spécifiques aux données manquantes [19] : "how many
individuals were excluded because of missing data", "Describe the type of analysis used to
account for missing data (eg, multiple imputation), and the assumptions that were made (eg,
missing at random)".
Les articles étudiant la production scientifique et s'intéressant aux données manquantes
retrouvent que les articles mentionnent insuffisamment la présence de données manquantes
[20] ainsi que leur mode de gestion. Cependant, ces études s’appuient sur des articles anciens
ou sur des études non observationnelles.

25
La gestion des données manquantes dans les études observationnelles publiées dans cinq
journaux de renom : pratique et manière de rapporter les résultats

P Blavier, T Pressat Laffouilhère

Introduction

La construction de modèles multivariés est très courante dans les études

observationnelles, à la fois pour répondre à des questions pronostiques, diagnostiques, de
causalité ou encore de prédiction des événements. Cependant ces études, notamment celles se
basant sur des données rétrospectives, peuvent comporter un nombre de données manquantes
qui varie fortement d'une étude à l'autre. Cela impacte directement la qualité des analyses,
particulièrement lorsqu'il y a recours à des modèles multivariés. En effet, si les données
manquantes ne sont pas gérées dans les analyses, elles peuvent entraîner un biais de
l'estimation de l'effet des variables ainsi qu'une perte de puissance statistique [4].
Le biais dans l'estimation dépend du mécanisme de production des données
manquantes. Le plus fréquemment, trois mécanismes de production des données manquantes
sont décrits [2]. Premièrement, les données manquantes de façon complètement aléatoire
(missing completely at random, MCAR). Dans cette situation, l'existence d'une donnée
manquante est indépendante de toute autre variable (observable ou non) et apparaît de façon
aléatoire. Viennent ensuite les données manquantes de façon non aléatoire (missing not at
random, MNAR), où l'existence d'une donnée manquante dépend de la valeur réelle de cette
donnée. Enfin les données manquantes de façon aléatoire (missing at random, MAR) sont les
données pour lesquelles leur absence peut être attribuée à une variable ne présentant pas de
données manquantes.
Les données MCAR n’entraînent pas de biais dans l'estimation de l'effet des variables. Les
données MAR peuvent entraîner un biais qui peut être atténué en ayant recours à des
méthodes d'imputation adaptées, dans la mesure où l'on dispose d’une information sur la
variable à l'origine de ce mécanisme. Enfin, les données MNAR entraînent un biais de
sélection, ce qui impacte l'estimation de l'effet des variables inclues dans les modèles.

Une analyse de cas complets consiste à exclure de l'analyse toute observation

présentant au-moins une donnée manquante. Cette méthode altère peu les analyses si les
données manquantes sont peu nombreuses et à plus forte raison si elles sont manquantes de
façon complètement aléatoire [7].
26
 Avec les méthodes d'imputation simple, la donnée manquante est remplacée par une
unique valeur (exemple : imputation par la moyenne, le mode ou la médiane; dernière
observation reportée; hot deck imputation). Ces méthodes sont à risque de renforcer le biais
de sélection et de renforcer artificiellement la précision de l'analyse en ne prenant pas en
compte la variabilité des valeurs [21]. Elles peuvent être efficaces s'il y a peu de données
manquantes et si celles-ci sont manquantes de façon aléatoire ou de façon complètement
aléatoire.
Enfin, avec les méthodes d'imputation multiple, la donnée manquante va être
remplacée par plusieurs valeurs possibles (simulation de plusieurs jeux de données), avant de
faire la moyenne de ces simulations et imputer la donnée manquante par cette moyenne. Une
des méthodes d'imputation multiple, s'appuyant sur la méthode dite de Markov Chain Monte
Carlo (MCMC) [11] est l'imputation multiple par équations chaînées (MICE) [13]. Ces
méthodes rendent compte de la variabilité des valeurs possibles et sont donc préférables, et ce
d'autant plus s'il y a de nombreuses données manquantes. Elles sont adaptées aux situations de
données manquantes de façon non aléatoire ou de façon aléatoire [22].
Si les données sont MNAR, alors généralement le modèle d'imputation multiple est invalide
car il suppose des données MAR. Cela peut être corrigé mais est rarement fait en pratique.
[22, 23].
Il existe aussi des méthodes de pondération, avec lesquelles les données disponibles sont
pondérées afin d'attribuer une plus grande importance à certaines valeurs. La pondération par
la probabilité inverse est une de ces méthodes. Elle consiste en une analyse en cas complets
où les cas sont pondérés par l'inverse de leur probabilité d'être un cas complet [15].

Cependant, il n'existe pas une méthode de référence pour choisir la manière de gérer
les données manquantes. La diversité des méthodes existantes laisse autant de possibilités
d'adapter les analyses pour obtenir un résultat souhaité (pratiques de p-hacking). A plus forte
raison lors de l'utilisation de modèles multivariés, en modifiant le nombre de sujets analysés
en fonction des covariables sélectionnées. De plus, lors de l'utilisation de méthodes
d'imputation multiple pour gérer les données manquantes, les variables sélectionnées pour
imputer les données manquantes ont leur importance et influencent les résultats de
l'imputation [19].
Il est donc crucial d'être complet et précis lors de la rédaction afin de rapporter toutes
les informations concernant la proportion de données manquantes ainsi que la méthode de
gestion de celles-ci. Le guide des bonnes pratiques Strengthening the Reporting of
Observational Studies in Epidemiology (STROBE) [18] précise bien que la gestion des
27
données manquantes est un des éléments importants devant figurer dans la partie méthode des
articles scientifiques "12(c) explain how missing data were addressed", ainsi que la proportion
de données manquantes par variable doit être précisée dans la partie résultats "Descriptive
data 14 (b): Indicate number of participants with missing data for each variable of interest.".
Ces recommandations ont par la suite été enrichies par d'autres auteurs [19].

De précédentes études constatent que la plupart des articles ne rapportent pas la

présence de données manquantes [24, 25] et qu'elles sont le plus souvent exclues des analyses
[24, 26]. Cependant, il s’agit d’études s’intéressant à des articles publiés depuis plusieurs
années, dans des journaux de qualité hétérogène, concernant divers domaines et dont
l’exhaustivité du recueil est incertaine. Une mise à jour de l’état de l’art concernant la manière
de rapporter les informations relatives aux données manquantes serait intéressante.
L'objectif principal de ce travail est donc d'évaluer les pratiques et la manière de rapporter les
informations relatives aux données manquantes, dans les études publiées récemment (2018 et
2019) dans des journaux à haut facteur d'impact. L'objectif secondaire est d'étudier l'impact de
la présence d'un auteur biostatisticien sur la mention de l'existence de données manquantes
dans l'étude et sur les pratiques de gestion des données manquantes.

Méthode

Inclusion des articles

La sélection des articles a été réalisée à partir des sommaires en ligne de cinq journaux
médicaux majeurs. Ces cinq journaux correspondent aux journaux ayant le plus grand facteur
d'impact dans la catégorie "medecine, general & internal" selon le Journal Citation Reports de
2016 [27] : New England Journal of Medicine (N Engl J Med), The British Medical Journal
(BMJ), The Lancet (LANCET), The Journal of the American Medical Association (JAMA) et
Annals of Internal Medicine (Ann Intern Med), aussi nommés les 'big five'.

Des articles originaux publiés entre janvier 2017 et décembre 2019 inclus, comprenant
des études observationnelles avec des modèles statistiques multivariés ont été sélectionnés par
un des auteurs de cette étude (T.PL). Seules des études de santé observationnelles sur les
sujets humains ont été considérées. Il s'agit d'études incluant des humains (patients,
volontaires sains, praticiens), chez qui des données de santé ont été mesurées, mais sans
intervention. Cela inclut les études transversales, cas-témoin, cohortes prospectives et
28
rétrospectives, études quasi-expérimentales, avec ou sans groupe contrôle. Seules les études
utilisant au moins un modèle nécessitant la sélection de covariables ont été incluses. Les
études sur l'économie, la génétique, ainsi que les méta-analyses, revues systématiques et
études épidémiologiques descriptives ont été exclues. Seules les études publiées en 2018 et
2019 seront considérées dans cet article afin de dresser un état de l'art le plus récent possible.

Variables recueillies

Les parties méthodes et résultats ont été lues afin de recueillir les différentes variables.
Les appendices ont également été lus à la recherche d'informations complémentaires.
Le nom du journal et l'année de publication ont été recueillis. La présence de données
manquantes a été catégorisée comme suit : (i) Présence : l'article ou l'appendice mentionne la
présence de données manquantes; (ii) Non concerné : l'article ou l'appendice précise l'absence
de données manquantes; (iii) Non mentionné : il n'y a pas mention de données manquantes ni
dans l'article ni dans les appendices.
Le choix des variables a été fait en se basant sur les critères du STROBE [18] ainsi que la
recommandation proposée par Sterne et al. [19].

En cas de présence de données manquantes :

Pour chaque article, l'indication de la proportion (ou quantité) de données
manquantes par variable a été recueillie [19], sans que cela n'indique forcément le nombre de
patients présentant des données manquantes.
La (ou les) méthode(s) de gestion des données manquantes a (ont) été recueillie(s) en
distinguant analyse principale et analyse de sensibilité. Une liste de méthodes préalablement
sélectionnées par une lecture de la littérature [21, 28, 29] a été constituée : (i) Sujets exclus
(analyse en cas complets); (ii) Imputation simple (catégorie "donnée manquante", mode,
médiane, moyenne, dernière observation reportée, hot deck imputation, non spécifiée); (iii)
Imputation multiple (MICE, MCMC, non spécifiée); (iv) Inconnue (aucune gestion des
données manquantes n'est mentionnée). Cette liste est non limitative et non exhaustive. Si une
méthode non listée était retrouvée elle était donc recueillie. Ces catégories ne sont pas
mutuellement exclusives. En effet, deux variables d'une même étude pouvaient avoir une
méthode de gestion des données manquantes différente (e.g. une variable A gérée avec une
méthode d'exclusion et une variable B gérée avec une méthode d'imputation simple).
La partie de l'article précisant la méthode de gestion des données manquantes a été
recueillie (corps de l'article ou appendice).
29
 Lorsque les données manquantes étaient gérées par l'analyse en cas complet (que ce
soit dans l'analyse principale ou de sensibilité), la proportion (ou la quantité) de patients
exclus des modèles multivariés a été recherchée, en précisant si celle-ci est: (i) clairement
mentionnée dans l'article, (ii) clairement mentionnée dans l'appendice, (iii) si un calcul a été
nécessaire à partir d'informations provenant de l'article (appendice inclus) ou (iv) si cette
information n'a pas pu être retrouvée, soit car aucune information n'a été retrouvée ou lorsque
celle-ci était trop imprécise.
Concernant les imputations multiples: (i) le nombre d'itérations, (ii) le nombre de jeux
de données simulées, (iii) la mention de la matrice de prédiction (variables prédictives par
variable à imputer) ainsi que (iv) le type de donnée manquante supposé par les auteurs (MAR,
MNAR, MCAR ou non mentionnée) ont été recueillis.

Auteur biostatisticien :
Les problèmes relatifs aux données manquantes étant plus particulièrement connus des
biostatisticiens, la présence d'un biostatisticien parmi les auteurs a été recherchée. Seuls les
auteurs mentionnés clairement comme statisticien de l'étude ou affiliés à une structure
mentionnant clairement "statistics", "biostatistics" ou "data science" ont été considérés comme
effectivement statisticiens.

Concernant le recueil de la méthode de gestion des données manquantes, toutes les

références ont été relues par deux auteurs (TPL et PB) en ouvert. Seul PB a lu les appendices.
La décision était basée sur un consensus.

Analyses statistiques :
Les résultats sont présentés avec des pourcentages. Les proportions sont présentées
séparément pour l'analyse principale et l'analyse de sensibilité. La comparaison de variables
qualitatives a été réalisée par un test du Chi² ou par un test exact de Fisher. Etant donné le
nombre important d'absence de mention des données manquantes, une analyse post hoc a été
réalisée à la recherche du type de jeux de données utilisé (e.g. : bases médico-administratives,
registres, cohorte) dans ce sous-groupe. En effet, ce type de base de données présente des
données manquantes qui sont parfois imputées nativement (l'absence de notification d'un
événement ne signifie pas nécessairement que cet événement n'a pas eu lieu) ou par traitement
avant la mise à disposition (gestion des données manquantes par l'organisme responsable du
registre).
La gestion des données et les analyses statistiques ont été réalisées avec le logiciel R (version
30
4.0.2 (2020-06-22) -- "Taking Off Again" Copyright (C) 2020 The R Foundation for
Statistical Computing).

Résultats

Diagramme de flux

Au total, 312 articles répondaient aux critères d'inclusion, 2 ont été rétractés et 1 était
indisponible. Les 309 articles restants et leurs appendices (dans la mesure où l'article
mentionne la présence d'un appendice) ont été lus. Parmi les 309 articles, 15 (4,9%) ont été
publiés dans le N Engl J Med, 26 (8,4%) dans le Lancet, 55 (17,8%) dans le Ann Intern Med,
84 (27,2%) dans le JAMA et 129 (41,7%) dans le BMJ.

Rapport d'information sur les données manquantes et pratiques :

Un total de 10 (3,2%) articles explicitait l'absence de données manquantes, 63 (20,4%)
ne mentionnait pas les données manquantes et 236 (76,4%) mentionnait leur présence.

Articles mentionnant la présence de données manquantes :

31
 Concernant les articles mentionnant la présence de données manquantes, la quantité de
données manquantes par variable était indiquée dans 161 (68,2%) des cas. Les méthodes de
gestion des données manquantes sont détaillées dans le tableau 1. La majorité des articles
(216/236) apportait une précision sur la méthode de gestion. Le recours à des analyses de
sensibilité concernant les données manquantes n'a été retrouvée que dans 36 (15,3%) articles.
Parmi celles-ci, une méthode d'imputation multiple a été employée dans 75% des cas (Tableau
2). Pour 3 (1,3%) articles, la gestion des données manquantes n'était pas précisée dans
l'analyse principale, mais l'était dans l'analyse de sensibilité (1 par exclusion, 1 par imputation
multiple sans précision et 1 par Shared Parameters Model [30]).

32
 Tableau 1 : Méthodes de gestion des données manquantes (pourcentages)* dans l'analyse
principale

Nombre d'articles mentionnant l'existence de 236 (100%)

données manquantes

Exclusion 116 (49,2%)

Imputation simple : 55 (23,3%)

Catégorie "donnée manquante" 35 (14,8%)

Moyenne, mode, médiane 6 (2,5%)

Régression 1 (0,4%)

Dernière observation reportée 6 (2,5%)

Hot deck imputation [10] 1 (0,4%)

Imputation sans précision 6 (2,5%)

Imputation multiple : 55 (23,3%)

MICE** 24 (10,2%)

MCMC non précisée*** 5 (2,1)

Méthode non précisée 26 (11%)

Gestion non précisée 20 (8,5%)

IPW† 3 (1,3%)

K plus proches voisins [16] 1 (0,4%)

Full information maximum likelihood 2 (0,8%)

estimation [31]

* La somme des pourcentages peut excéder 100% du fait que certains articles utilisent différentes
méthodes pour la gestion des données manquantes. Par exemple exclusion si la variable présente
moins de 1% de données manquantes, méthode d'imputation multiple sinon.
** Multiple imputation by chained equation
*** MCMC : Markov Chain Monte Carlo
† Pondération par la probabilité inverse

L'information sur l'existence de données manquantes ainsi que leur méthode de gestion
33
étaient retrouvées dans 210 articles (97,2% des cas), dans le corps de l'article. Pour 6 articles
(2,8%), une de ces informations n'était retrouvée que dans l'appendice. L'appendice a permis
d'éclaircir la méthode d'imputation multiple utilisée dans deux articles.

Tableau 2 : Méthodes de gestion des données manquantes (pourcentages)* dans l'analyse de

sensibilité

Nombre d'études 36 (100%)

Exclusion 4 (11,1%)

Imputation simple 3 (8,3%)

Catégorie "donnée manquante" 1 (2,8%)

Moyenne, mode, médiane 1 (2,8%)

Imputation sans précision 1 (2,8%)

Imputation multiple 27 (75%)

MICE ** 12 (33,3%)

MCMC*** 4 (11,1%)

Méthode non précisée 10 (27,8%)

IPW† 3 (8,3%)

SPM° 1 (2,8%)

*La somme des pourcentages peut excéder 100% du fait que certains articles conduisent plusieurs
méthodes de gestion de données manquantes dans les différentes analyses de sensibilité.
** Multiple imputation by chained equation
*** MCMC : Markov Chain Monte Carlo
† Pondération par la probabilité inverse
° SPM : Shared Parameters Model

Lors d'analyses en cas complets, que ce soit dans l'analyse principale (116 articles) ou
dans l'analyse de sensibilité (4 articles), la proportion de patients exclus des modèles
multivariés a été recherchée. Dans 19,2% des articles avec une analyse en cas complet la
proportion de patients perdus dans l'analyse multivariée n'était pas précisée (Tableau 3).
La proportion (ou nombre) de données manquantes était clairement indiquée par les
auteurs dans le corps de l'article pour 72 (60%) articles et dans l'appendice pour 15 (12,5%)
34
articles. Cette information a été calculée à partir d'informations recueillies en différents points
de l'article (appendice compris) pour 10 (8,3%) articles. Pour 3 études, la proportion de
patients exclus était supérieure à 50% (avec un maximum de 59% de patients exclus).

Tableau 3 : Proportion de patients exclus parmi les articles avec une analyse en cas complet

Proportion de patients exclus Nombre d'études (pourcentage)

< 1% 27 (22,5%)

[1% - 5%] 28 (23,3%)

[5% - 10%] 12 (10%)

[10% - 20%] 19 (15,8%)

> 20% 11 (9,2%)

Non retrouvée 23 (19,2%)

Le recours à des méthodes d'imputation multiple, que ce soit dans l’analyse principale
ou dans l’analyse de sensibilité, a été rapporté par les auteurs de 82 articles. La MICE a été
utilisée dans 36 (43,9 %) études, 10 (12,2 %) utilisent une méthode MCMC non précisée et 36
(43,9 %) une méthode d'imputation multiple non précisée. Quelle que soit la méthode
d'imputation multiple indiquée par les auteurs, les variables inclues pour la procédure
d'imputation sont précisées dans moins d'un tiers des cas (Tableau 3).

35
 Tableau 3 : Précisions des modèles d'imputation multiple

MICE MCMC Imputation multiple

36 10 sans précision
(100%) (100%) 36
(100%)

Précision du 10 0 2
mécanisme de données (27,8%) (0%) (5,6%)
manquantes (MAR)

Précision du nombre 8 1 0
d'itération (22,2%) (10%) (0%)

Précision du nombre de 30 7 15
jeu de données simulés (83,3%) (70%) (41,7%)

Précision de la matrice 9 3 10
de prédiction (25%) (30%) (27,8%)

L'information sur le nombre d'itérations, le nombre de jeux de données simulé et la matrice de

prédiction n'est retrouvée simultanément que dans 2 (5,6%) articles utilisant une MICE.
Aucun des articles utilisant une gestion des données manquantes par MCMC ou par
imputation multiple non précisée n’indique ces informations simultanément.

Articles ne mentionnant pas la présence ou l'absence de données manquantes :

Parmi ces 63 (20,1%) articles, 40 (63,5%) concernent des études s'appuyant sur des
registres ou des bases de données médico-administratives. Les 23 (36,5%) autres articles ne
concernent pas des études s'appuyant sur ce type de base de données et aucune information
concernant de possibles données manquantes n'est fournie.

Impact du biostatisticien sur la mention de la présence de données manquantes et sur la

méthode de gestion des données manquantes :
Parmi les 309 articles étudiés, un biostatisticien est présent parmi les auteurs dans 107
(34,6%) d'entre eux. La différence de proportion d'articles mentionnant la présence ou
absence de données manquantes en fonction de la présence d'un biostatisticien parmi les
auteurs a été analysée (Tableau 5). Cette différence est de 0,04 en faveur de ceux n'ayant pas

36
de biostatisticien parmi les auteurs (IC95% = [-0,09 ; 0.12], valeur p = 0,84).
Parmi les articles présentant des données manquantes la différence de proportion
d'articles précisant la gestion des données manquantes et ceux ne le faisant pas, en fonction de
la présence d'un biostatisticien est de 0,3%, p-valeur = 0,9 (différence en faveur de ceux ayant
un biostatisticien).
Parmi les articles précisant la méthode de gestion des données manquantes, la différence de
proportion d'articles utilisant une méthode d'exclusion et une imputation simple en fonction de
la présence d'un biostatisticien sont de 5,6% et 2% (en faveur de ceux n'ayant pas de
biostatisticien), p-valeurs = 0,41 et 0,77 respectivement. En revanche, concernant l'utilisation
d'une méthode d'imputation multiple et la mention d'une gestion imprécise (imputation simple
sans précision ou imputation multiple sans précision), ces différences sont de 5,8% et 3% (en
faveur de ceux ayant un biostatisticien), p-valeurs = 0,32 et 0,53 respectivement.

Tableau 5 : Méthodes de gestion des données manquantes selon la présence ou l'absence d'un
biostatisticien

Méthode de gestion des Nombre d'articles avec Nombre d'articles sans

données manquantes biostatisticien en auteur biostatisticien en auteur

Exclus 39 (42,9%) 77 (47,8%)

Imputation simple 19 (20,9%) 36 (22,4%)

Imputation multiple 23 (25,3%) 32 (19,9%)

Autres 3 (3,3%) 3 (1,9%)

Non précisée 7 (7,7%) 13 (8,1%)

Total 91 (100%) 161 (100%)

Discussion

L'objectif de ce travail était de décrire la manière de rapporter les informations

relatives aux données manquantes (leur présence ou non, leur proportion) ainsi que les
différentes pratiques de gestion de ces données manquantes, dans les études observationnelles
publiées dans cinq journaux ayant un facteur d'impact majeur.
Dans notre étude, la majorité (79,6%) des articles sélectionnés font mention de la
présence ou de l'absence de données manquantes. Une partie seulement des articles avec des
37
données manquantes répondent aux critères du STROBE [18]. En cas de présence de données
manquantes il faut : (i) mentionner la méthode de gestion (91,5%), (ii) préciser la quantité de
données manquantes pour chaque variable d'intérêt (68,2%).
Il existe une grande hétérogénéité des méthodes de gestion des données manquantes
avec 14 méthodes distinctes retrouvées et une majorité d'analyses en cas complet (120/236).
D'après Sterne et al. [19], s'il y a recours à une analyse en cas complets, il convient de
préciser le nombre de patients exclus des analyses (80,8%). Lors de l'emploi de cette
méthode, il est recommandé d'indiquer précisément combien de sujets sont exclus, d'apporter
une explication si possible sur la cause de ces données manquantes et d'étudier s'il y a une
différence entre les sujets exclus et les autres [19]. Lorsque la proportion de patients exclus
est faible (< 5%) et qu'un grand nombre de sujets sont analysés, le bénéfice d'une imputation
multiple par rapport à une analyse en cas complet ne semble pas majeur [32]. En revanche,
dans les situations avec un grand nombre de données manquantes, le recours à des méthodes
d'imputation multiple est généralement préférable [22, 33], sans que cela soit systématique
[34].
Les méthodes d'imputation multiple sont utilisées dans près d'un quart (23,3%) des
études présentant des données manquantes. Leur utilisation est facilitée par les logiciels
statistiques, ce qui expose à un risque de leur utilisation dans un contexte inapproprié [32, 35,
36]. D'après Sterne et al. [19], s'il y a recours à une méthode d'imputation multiple, il convient
de fournir tous les détails relatifs à la modélisation de l'imputation (5,6%). Le nombre de mots
composants l'article étant limité par les journaux, le recours à des appendices pour expliquer
clairement les détails relatifs à la justification et à la mise en œuvre de la méthode
d'imputation multiple serait une aide mais n'est pas une habitude retrouvée dans les
appendices de cette étude. [35, 37].
La présence d'un auteur biostatisticien ne semble pas liée à une mention plus
systématique de la présence ou l'absence de données manquantes, ni liée à une méthode de
gestion de ces données manquantes particulière.

La présence ou l'absence de données manquantes n'est par retrouvée dans près de 20%
des articles de notre étude. Ce chiffre s'élève à 35% dans la revue de la littérature de Fielding
et al. [38] et à 55% dans celle de Hayat et al. [20]. Dans d'autres études traitant de la manière
de rapporter l'information concernant les données manquantes, cette information n'est pas
présente [24, 25].
Lorsqu'il y a présence de données manquantes, la méthode de gestion de celles-ci est
mentionnée de façon très variable selon les articles, allant de 38% [39] à 84% [4], jusqu'à
38
91,5% dans notre étude.
La recours à une analyse en cas complets est majoritaire dans les articles de notre
étude (49,2%). Karahalios et al.[24] retrouvent que cela concerne 66% des études de cohortes
entre 2000 et 2009, Hussain et al. [26] retrouvent que cela concerne 60% des essais contrôlés
randomisés entre 2009 et 2014. Parmi les articles de santé publique publiés en 2014, 68% de
ceux précisant la méthode de gestion des données manquantes ont recours à une analyse en
cas complets [20].
L'utilisation d'imputation multiple comme méthode de gestion des données
manquantes était employée dans moins de 1% des articles d'essai clinique randomisé en 2005-
2006 (publiés dans le Lancet, le BMJ, le N Eng J Med ou le JAMA) contre 7,8% en 2013-
2014 [38].
Sur les journaux de santé publique, cela représente 12% des articles en 2014. Dans notre
étude, cela concerne 23,3% des articles.

Ces différences peuvent être expliquées par plusieurs facteurs. Tout d'abord,
l'ancienneté des articles a probablement un impact sur la qualité de la manière de rapporter les
résultats et les pratiques. Notre étude s'intéresse aux études publiées en 2018 et 2019. Or les
revues de la littérature retrouvées concernent des articles publiés entre 2000 et 2014. Les
journaux desquels sont tirés les articles étudiés dans ces revues sont d'une qualité hétérogène
et ont un facteur d'impact généralement moins important que les 'big five'. De plus, dans ces
revues, il n'est pas précisé si les informations ont également été cherchées dans les
appendices. Or dans notre étude, tous les appendices ont été lus à la recherche d'informations
complémentaires. Enfin, les logiciels statistiques proposent avec le temps de plus en plus de
fonctionnalités complexes telles que la possibilité de faire une imputation multiple par
équations chaînées. En effet, la popularisation de ces méthodes ne peut se faire que par
l'intermédiaire des outils statistiques.

Forces & limites

Cette étude ne s'intéresse qu'à cinq journaux ayant un facteur d'impact important et une
qualité de publication reconnue. Cela n'est pas forcément représentatif de la majorité des
études observationnelles publiées. Ces journaux restent cependant des exemples et sont
mondialement connus pour la qualité de leur production scientifique.
De plus, il n'a été recueilli que ce qui était explicité par les auteurs. Certaines
suppositions et interprétations auraient pu être faites pour compléter certaines imprécisions
39
(non spécifiées, inconnues ou non mentionnées). C'est le cas par exemple des imputations
multiples non spécifiées et MCMC pour lesquelles il est probable que la méthode précise
ayant été employée puisse être déduite à partir des informations de l'article. Cependant, toutes
les informations relatives aux données manquantes délivrées par les auteurs ont été
recherchées et recueillies à partir des articles et également de leurs appendices.
La présence d'un biostatisticien parmi les auteurs ne semble pas avoir d'impact majeur,
ni sur la rigueur de la manière de rapporter les informations sur les données manquantes, ni
sur la méthode de gestion des données manquantes. Cependant, seuls les auteurs affiliés à un
service mentionnant spécifiquement "biostatistics" ont été considérés comme biostatisticiens.
Il est possible que certains auteurs affiliés à des services portant la mention "epidemiology"
ou "public health" aient des compétences biostatistiques et aient participé à l'étude en tant que
biostatisticien, sans que cela ait été rapporté. De plus, les remerciements n'ont pas été
analysés.
Parmi les articles qui ne mentionnent pas de données manquantes, la plupart (63,5%)
sont des études utilisant des bases de données médico-administratives ou registres. Dans ces
bases de données, l'absence de mention d'une pathologie (donnée manquante) est imputée
comme équivalent à l'absence de cette pathologie. Cela conduit donc à créer des bases
exemptes de données manquantes apparentes. Cela peut expliquer que les auteurs ne
mentionnent pas la présence ou l'absence de données manquantes.
Enfin, il y a eu une double lecture ouverte du corps de chaque article pour établir le
recueil de la méthode de gestion des données manquantes et la décision était basée sur un
consensus.

Conclusion

Dans la plupart des études observationnelles de notre étude, les auteurs rapportent la
présence de données manquantes ainsi que leur gestion. Cependant, la précision du nombre de
données manquantes et les détails relatifs à leur gestion, notamment lors du recours à des
méthodes d'imputation multiple qui se développent de plus en plus, nécessitent d'être
améliorés. Divers guides de bonnes pratiques existent déjà [18, 19, 32]. Il convient donc de
les appliquer de façon plus systématique. Cela permettrait une meilleure analyse et
compréhension des résultats, ainsi qu'une meilleure reproductibilité de ceux-ci. Expliciter
clairement que l'article est concerné par les données manquantes est un élément fondamental
et devrait être ajouté aux recommandations existantes.
40
Bibliographie

1. Pedersen AB, Mikkelsen EM, Cronin-Fenton D, et al. Missing data and multiple imputation
in clinical epidemiological research. Clin Epidemiol. 2017;9:157-166. Published 2017 Mar
15. doi:10.2147/CLEP.S129785
2. Rubin DB. Inference and missind data. Biometrika 1976; 63: 581-92.
3. Mohan, K., & Pearl, J. (2021). Graphical models for processing missing data. Journal of the
American Statistical Association, 1-16.
4. Karahalios A, Baglietto L, Carlin JB, English DR, Simpson JA. A review of the reporting
and handling of missing data in cohort studies with repeated assessment of exposure
measures. BMC Med Res Methodol. 2012;12:96. Published 2012 Jul 11. doi:10.1186/1471-
2288-12-96
5. Little RJ, Cohen ML, Dickersin K, et al. The design and conduct of clinical trials to limit
missing data. Stat Med. 2012;31(28):3433-3443. doi:10.1002/sim.5519
6. Peugh, J. L., & Enders, C. K. (2004). Missing data in educational research: A review of
reporting practices and suggestions for improvement. Review of educational research, 74(4),
525-556
7. Perkins NJ, Cole SR, Harel O, et al. Principled Approaches to Missing Data in
Epidemiologic Studies. Am J Epidemiol. 2018;187(3):568-575. doi:10.1093/aje/kwx348
8. Malhotra N. Analyzing marketing research data with incomplete information on the
dependent variable. J Mark Res. 1987;24:74–84.
9. Mavridis D, Salanti G, Furukawa TA, Cipriani A, Chaimani A, White IR. Allowing for
uncertainty due to missing and LOCF imputed outcomes in meta-analysis. Stat Med.
2019;38(5):720-737. doi:10.1002/sim.8009
10. Andridge RR, Little RJA. A Review of Hot Deck Imputation for Survey Non-response. Int
Stat Rev. 2010 Apr;78(1):40–64.
11. Schunk D. A Markov chain Monte Carlo algorithm for multiple imputation in large
surveys. AStA Adv Stat Anal. 2008 Feb;92(1):101–14. 46
12. METROPOLIS N, ULAM S. The Monte Carlo method. J Am Stat Assoc. 1949
Sep;44(247):335-41. doi: 10.1080/01621459.1949.10483310. PMID: 18139350.
13. Azur MJ, Stuart EA, Frangakis C, Leaf PJ. Multiple imputation by chained equations:
what is it and how does it work?. Int J Methods Psychiatr Res. 2011;20(1):40-49.
doi:10.1002/mpr.329
14. Rubin D.B. Wiley; 1987. Multiple imputation for nonresponse in
surveys.https://onlinelibrary.wiley.com/doi/pdf/10.1002/9780470316696.fmatter
41
15. Seaman SR, White IR.. Review of inverse probability weighting for dealing with missing
data. Stat Methods Med Res 2013;22: 278-95. 21220355
16. Malarvizhi, R., & Thanamani, A. S. (2012). K-nearest neighbor in missing data
imputation. International Journal of Engineering Research and Development, 5(1), 5-7
17. Elkins MR, Moseley AM. Intention-to-treat analysis. J Physiother. 2015 Jul;61(3):165-7.
doi: 10.1016/j.jphys.2015.05.013. Epub 2015 Jun 19. PMID: 26096012.
18. von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP; STROBE
Initiative. The Strengthening the Reporting of Observational Studies in Epidemiology
(STROBE) statement: guidelines for reporting observational studies. J Clin Epidemiol. 2008
Apr;61(4):344-9. doi: 10.1016/j.jclinepi.2007.11.008. PMID: 18313558.
19. Sterne JA, White IR, Carlin JB, et al. Multiple imputation for missing data in
epidemiological and clinical research: potential and pitfalls. BMJ. 2009;338:b2393. Published
2009 Jun 29. doi:10.1136/bmj.b2393
20. Hayat MJ, Powell A, Johnson T, Cadwell BL. Statistical methods used in the public health
literature and implications for training of public health professionals. PLoS One.
2017;12(6):e0179032. Published 2017 Jun 7. doi:10.1371/journal.pone.0179032
21. Kang H. The prevention and handling of the missing data. Korean J Anesthesiol.
2013;64(5):402-406. doi:10.4097/kjae.2013.64.5.402 47
22. White, I. R., & Carlin, J. B. (2010). Bias and efficiency of multiple imputation compared
with complete-case analysis for missing covariate values. Statistics in Medicine, 29(28),
2920–2931. doi:10.1002/sim.3944
23. Carpenter JR, Kenward MG, White IR. Sensitivity analysis after multiple imputation
under missing at random: a weighting approach.Statistical Methods in Medical
Research2007;16(3):259--275.
24. Karahalios, A., Baglietto, L., Carlin, J. B., English, D. R., & Simpson, J. A. (2012). A
review of the reporting and handling of missing data in cohort studies with repeated
assessment of exposure measures. BMC medical research methodology, 12(1), 1-10
25. Akl, E. A., Carrasco-Labra, A., Brignardello-Petersen, R., Neumann, I., Johnston, B. C.,
Sun, X., ... & Alonso-Coello, P. (2015). Reporting, handling and assessing the risk of bias
associated with missing participant data in systematic reviews: a methodological survey. BMJ
open, 5(9), e009368.
26. Hussain, J. A., Bland, M., Langan, D., Johnson, M. J., Currow, D. C., & White, I. R.
(2017). Quality of missing data reporting and handling in palliative care trials demonstrates
that further development of the CONSORT statement is required: a systematic review. Journal
of clinical epidemiology, 88, 81-91.
42
27. 2016 Journal Impact Factor. Sci Ed.
28. How to handle missing data, towards data science, A.Swalin, Jan 31,2018
29. Budhiraja P, Kaplan B, Mustafa RA. Handling of Missing Data. Transplantation. 2020
Jan;104(1):24-26. doi: 10.1097/TP.0000000000002865. PMID: 31365474.
30. Griswold ME, Talluri R, Zhu X, Su D, Tingle J, Gottesman RF, Deal J, Rawlings AM,
Mosley TH, Windham BG, Bandeen-Roche K. Reflection on modern methods:
sharedparameter models for longitudinal studies with missing data. Int J Epidemiol. 2021 Aug
30;50(4):1384-1393. doi: 10.1093/ije/dyab086. PMID: 34113988; PMCID: PMC8407871.
31. Enders CK. The Performance of the Full Information Maximum Likelihood Estimator in
Multiple Regression Models with Missing Data. Educ Psychol Meas. 2001 Oct;61(5):713–40.
48
32. Lee KJ, Tilling KM, Cornish RP, et al. Framework for the treatment and reporting of
missing data in observational studies: The Treatment And Reporting of Missing data in
Observational Studies framework. J Clin Epidemiol. 2021;134:79-88.
doi:10.1016/j.jclinepi.2021.01.008
33. Madley-Dowd P, Hughes R, Tilling K, Heron J. The proportion of missing data should not
be used to guide decisions on multiple imputation. J Clin Epidemiol. 2019;110:63-73.
doi:10.1016/j.jclinepi.2019.02.016
34. Hughes R.A., Heron J., Sterne J.A.C., Tilling K. Accounting for missing data in statistical
analyses: multiple imputation is not always the answer. Int J Epidemiol. 2019:dyz032
35. Hayati Rezvan P, Lee KJ, Simpson JA. The rise of multiple imputation: a review of the
reporting and implementation of the method in medical research. BMC Med Res Methodol.
2015;15:30. Published 2015 Apr 7. doi:10.1186/s12874-015-0022-1
36. Mackinnon A. The use and reporting of multiple imputation in medical research - a
review. J Intern Med. 2010;268(6):586–93. doi: 10.1111/j.1365-2796.2010.02274.x.
37. Ware JH, Harrington D, Hunter DJ, D’Agostino RB. Missing Data. N Engl J Med.
2012;367(14):1353–4. doi: 10.1056/NEJMsm1210043
38. Fielding S, Ogbuagu A, Sivasubramaniam S, MacLennan G, Ramsay CR. Reporting and
dealing with missing quality of life data in RCTs: has the picture changed in the last decade?.
Qual Life Res. 2016;25(12):2977-2983. doi:10.1007/s11136-016-1411-6
39. Burton A, Altman DG. Missing covariate data within cancer prognostic studies: a review
of current reporting and proposed guidelines. Br J Cancer. 2004 Jul 5;91(1):4-8. doi:
10.1038/sj.bjc.6601907. PMID: 15188004; PMCID: PMC2364743.

43
Résumé

Introduction
Les études observationnelles comportent un nombre très variable de données
manquantes, impactant la qualité des analyses. Parmi les nombreuses méthodes de gestion des
données manquantes, aucune ne fait référence. L’indication de la proportion de données
manquantes ainsi que leur mode de gestion sont importants. Cette étude a donc pour objectif
d’évaluer les pratiques et la manière de rapporter les informations relatives aux données
manquantes dans les études publiées récemment et dans des journaux à haut facteur d’impact.

Méthode
Les articles originaux publiés dans les ‘big five’ entre 2018 et 2019 comprenant des
études observationnelles avec des modèles statistiques multivariés ont été sélectionnés. Les
informations relatives aux données manquantes ainsi qu’à la méthode de gestion de celles-ci,
en se basant sur les critères du STROBE ainsi que la recommandation proposée par Sterne et
al. ont été recueillies à partir du corps et appendices des articles.

Résultats
La majorité des articles (79,6%) mentionnent la présence ou absence de données
manquantes. En cas de présence de données manquantes, la méthode de gestion est précisée
dans 91,5% des cas. La méthode la plus employée (49,2%) est la méthode de délétion
(analyse en cas complet). Lors de l’utilisation de méthodes d’imputation multiples, les détails
relatifs à la modélisation de l’imputation ne sont retrouvés que dans 5,6% des cas.

Conclusion
La plupart des études observationnelles mentionnent la présence ou non de données
manquantes. Cependant, la précision de la proportion de données manquantes et les détails
relatifs à leur gestion nécessitent d’être améliorés. Le suivi systématique des guides de bonnes
pratiques permettrait ces améliorations.

Mots-clefs : études observationnelles, données manquantes, analyse en cas complet,

imputation, rapport d’information.

44