Пропущенные данные в исследованиях реальной клинической практики: стратегия управления от планирования до анализа

Пропущенные данные представляют собой одну из ключевых характеристик/особенностей данных реальной клинической практики и являются неотъемлемой частью исследований реальной клинической практики (ИРКП), они возникают на всех этапах сбора информации как в проспективных, так и в ретроспективных дизайнах. Настоящий обзор посвящен всестороннему анализу проблемы пропущенных данных в ИРКП на всех этапах исследовательского процесса — от планирования научной концепции исследования до интерпретации результатов и их представления в научных публикациях.

В первой части обзора рассматриваются теоретические основы: термин «пропущенные данные» («missing data») в нормативных документах ICH, FDA, EMA, ЕАЭС и его различающиеся определения, роль источника данных в формировании пропусков, классификация механизмов пропусков по Рубину (MCAR, MAR, MNAR) и их значение для выбора статистических методов. Вторая часть обзора посвящена системному подходу и описывает 8 этапов работы с пропущенными данными.

Подчеркивается, что эффективное управление пропущенными данными начинается задолго до статистического анализа — на этапе разработки дизайна исследования. Эффективное управление пропущенными данными представляет собой сквозной, проактивный процесс, интегрированный в жизненный цикл ИРКП.

Завершающая часть отчета описывает статистические подходы к пропущенным данным: подходы к анализу данных без замещения пропусков, методы однократного замещения, множественное замещение. Определяются требования к отчету об ИРКП и научным публикациям с точки зрения пропущенных данных.

В заключении обосновывается необходимость системного подхода к проблеме пропущенных данных как важному элементу обеспечения надежности ИРКП, имеющего прямое значение для их применения решений в системе здравоохранения.

1. Солодовников А.Г., Сорокина Е.Ю., Гольдина Т.А. Данные рутинной практики (real-world data): от планирования к анализу. // Медицинские технологии. Оценка и выбор. – 2020. – №3. – С.9- 16. doi: 10.17116/medtech2020410319.

2. Рекомендация Коллегии Евразийской экономической комиссии (ЕЭК) от 03.11.2020 №19 «О Руководстве по применению принципов биостатистики в клинических исследованиях лекарственных препаратов».

3. Рекомендация Коллегии ЕЭК от 10.06.2025 № 15 «О Руководстве по общим вопросам использования данных реальной клинической практики в рамках обращения лекарственного препарата».

4. Little RJ, D'Agostino R, Cohen ML, et al. The prevention and treatment of missing data in clinical trials. New England Journal of Medicine, 2012; 367(14): 1355-1360. doi: 10.1056/NEJMsr1203730.

5. Тихова Г.П. Пропуск данных в выборке: как решать проблему и как ее избежать // Регионарная анестезия и лечение острой боли. – 2016. – №10(3). – С.205-209. doi: 10.18821/1993-6508-2016-10- 3-205-209.

6. Мантрова А.И. Как пропуски в медицинских данных могут влиять на результаты исследований? // Научное Обозрение. – 2019. – №2.

7. Марцевич С.Ю. Пропущенные и ошибочные данные в клинических исследованиях: влияние на получаемый результат и способы предупреждения // Кардиоваскулярная терапия и профилактика. – 2025. – №24(10). – С.4572. doi: 10.15829/1728-8800-2025-4572.

8. 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.

9. Sterne JAC, Ian RW, Carlin JB, et al. Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls BMJ. 2009; 338: b2393. doi: 10.1136/bmj.b2393.

10. Guideline on Missing Data in Confirmatory Clinical Trials. European Medicines Agency. July 2010. Available from: https://www.ema.europa.eu/en/documents/scientific-guideline/guideline-missingdata-confirmatory-clinical-trials_en.pdf. Сited 26.01.2026.

11. ICH E9 (R1) Statistical principles for clinical trials. Addendum on estimands and sensitivity analysis in clinical trials to the guideline on statistical principles for clinical trials (ICH E9). European Medicines Agency, 2019. Available from: https://database.ich.org/sites/default/files/E9-R1_Step4_ Guideline_2019_1203. Сited 26.01.2026.

12. Real-World Data: Assessing Electronic Health Records and Medical Claims Data To Support Regulatory Decision-Making for Drug and Biological Products. 2021. U.S. Food and Drug Administration (FDA).

13. Guideline on registry-based studies. European Medicines Agency 22 October 2021. Available from: https://www.ema.europa.eu/en/documents/scientific-guideline/guideline-registry-based-studies_en.pdf. Сited 26.01.2026.

14. Рекомендация Коллегии Евразийской экономической комиссии (ЕЭК) от 03.11.2020 №19 «О Руководстве по применению принципов биостатистики в клинических исследованиях лекарственных препаратов».

15. Григорьев Г.В., Ручкина Е.М., Васильев Л.Г. Состояние развития понятийно-структурной организации терминологии через призму парадигматических отношений и вариативности терминологических дефиниций // Грамота. –2019. – №12(4). – С.244-251. doi: 10.30853/filnauki.2019.4.51.

16. Новодережкина Е.А., Гольдина Т.А. Исследования рутинной практики: проблемы терминологии и классификации // Медицинские технологии. Оценка и выбор. 2023; 45(1): 50- 62. doi: 10.17116/medtech20234501150.

17. Data Quality Framework for EU medicines regulation: application to Real-World Data. European Medicines Agency. Draft 4 November 2024. Available from: https://www.ema.europa.eu/en/documents/other/draft-data-quality-framework-eu-medicines-regulation-application-real-worlddata_en.pdf. Сited 27.02.2026.

18. ICH M14 Guideline on general principles on plan, design and analysis of pharmacoepidemiological studies that utilize real-world data for safety assessment of medicines European Medicines Agency. 23 May 2024. Available from: https://www.ema.europa.eu/en/documents/scientific-guideline/ichm14-guideline-general-principles-plan-design-analysis-pharmacoepidemiological-studies-utilizereal- world-data-safety-assessment-medicines-step-2b_en.pdf. Сited 27.02.2026.

19. Heinrich M, Zagorscak P, Bohn J, et al. Using the ICH estimand framework to improve the interpretation of treatment effects in internet interventions. Digital Medicine. 2025; 8: 535. doi: 10.1038/s41746-025-01936-0.

20. European Medicines Agency, Reflection paper on use of real-world data in noninterventional studies to generate real-world evidence for regulatory purposes 17 March 2025. Available from: https://www.ema.europa.eu/en/documents/other/reflection-paper-use-real-world-data-non-interventionalstudies-generate-real-world-evidence-regulatory-purposes_en.pdf. Сited 25.02.2026.

21. Xuan W, Raquel L, Shantanu J, et al. Identification and mapping of worldwide sources of generic realworld data. Pharmacoepidemiol Drug Saf. 2019; 28(7): 899-905. doi: 10.1002/pds.4782.

22. Rachel S, Claudio S, Kiliana S, et al. Identification and Mapping Real-World Data Sources for Heart Failure, Acute Coronary Syndrome, and Atrial Fibrillation. Cardiology. 2022; 147(1): 98-106. doi: 10.1159/000520674.

23. Ермакова Н.А., Гусев А.В., Реброва О.Ю. Ошибки в данных реальной клинической практики: обзор литератур // Врач и информационные технологии. – 2024. – №1. – С.28-43. doi: 10.25881/18110193_2024_1_28.

24. Kalra P. Handling Missing Data in Real-World Evidence Studies Managing Missing Data in RWE Studies. International Journal of Bioinformatics and Intelligent Computing. 4(1): 58-81. doi:10.61797/ijbic.v3i2.416.

25. Biedermann P, Ong R, Davydov A, et al. Standardizing registry data to the OMOP Common Data Model: experience from three pulmonary hypertension databases BMC Med Res Methodol . 2021; 21(1): 238. doi: 10.1186/s12874-021-01434-3.

26. Рекомендация Коллегии Евразийской экономической комиссии (ЕЭК) от 03.11.2020 №19 «О Руководстве по применению принципов биостатистики в клинических исследованиях лекарственных препаратов».

27. Jan PV, Erik E, Altman DG, et al. Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): explanation and elaboration. Int J Surg. 2014; 12(12): 1500-24. doi: 10.1016/j.ijsu.2014.07.014.

28. Sarah A, Matthew F, Sara J. Visualization of missing data: a state-of-the-art survey arXiv: 2410.03712v1 [cs.HC] 27 Sep 2024. Available from: https://arxiv.org/html/2410.03712v1#bib. Сited 25.01.2026. doi: 10.48550/arXiv.2410.03712.

29. Rubin DB. Inference and missing data. Biometrika. 1976; 63(3): 581-592.

30. Oriol S, Katla S, Ron A, et al. Data Governance for Real-World Data Management: A Proposal for a Checklist to Support Decision Making Value Health. 2023; 26(4S): 32-42. doi: 10.1016/j.jval.2023.02.012.

31. Little A, Donald B. Rubin Statistical Analysis with Missing Data. 2002. doi: 10.1002/9781119013563.

32. Okpara C, Edokwe C, Ioannidis G, et al. The reporting and handling of missing data in longitudinal studies of older adults is suboptimal: a methodological survey of geriatric journals BMC Med Res Methodol. 2022; 22: 122. doi: 10.1186/s12874-022-01605-w.

33. Fang Y. Estimand framework and intercurrent events handling for clinical trials with time-to-event outcomes. arXiv. 2025. ArXiv: 2510.15000v1. Available from: https://arxiv.org/abs/2510.15000. Сited 26.01.2026. doi: 10.48550/arXiv.2510.15000.

34. Rehal S, Cro S, Phillips PP, Fielding K, Carpenter JR. Handling intercurrent events and missing data in non-inferiority trials using the estimand framework: A tuberculosis case study. Clin Trials. 2023; 20(5): 497-506. doi: 10.1177/17407745231176773.

35. Kahan BC, Hindley J, Edwards M, et al. The estimands framework: a primer on the ICH E9(R1) addendum. BMJ. 2024: 384: e076316. doi: 10.1136/bmj-2023-076316.

36. Martijn WH, Jos WR. Handling missing data in clinical research J Clin Epidemiol. 2022; 151: 185-188. doi: 10.1016/j.jclinepi.2022.08.016.

37. BaoLuo S, Neil JP, Cole SR, et al. Inverse-Probability-Weighted Estimation for Monotone and Nonmonotone Missing Data Am J Epidemiol. 2017; 187(3): 585-591. doi: 10.1093/aje/kwx350.

38. Shaun RS, Ian R. White Review of inverse probability weighting for dealing with missing data Stat Methods Med Res. 2013; 22(3): 278-95. doi: 10.1177/0962280210395740.

39. Yan M, Lizhi Z, Zhao C, et al. Comparison of different approaches in handling missing data in longitudinal multiple-item patient-reported outcomes: a simulation study Health Qual Life Outcomes. 2025; 23: 34. doi: 10.1186/s12955-025-02364-0.

40. Melanie L B, Lysbeth F, Brooke AR, et al. Analytical approaches and estimands to take account of missing patient-reported data in longitudinal studies Patient Relat Outcome Meas., 2019; 10: 129- 140. doi: 10.2147/PROM.S178963.

41. Lysbeth F, Melanie LB. Imputation strategies when a continuous outcome is to be dichotomized for responder analysis: a simulation study BMC Med Res Methodol. 2019; 19: 161. doi: 10.1186/s12874-019-0793-x.

42. Wang Y, Tu W, Kim Y, et al. Statistical methods for handling missing data to align with treatment policy strategy. Pharm Stat. 2023; 22(4): 650-670. doi: 10.1002/pst.2299.

43. John M. Lachin Fallacies of Last Observation Carried Forward. Clin Trials. 2015; 13(2): 161-168. doi: 10.1177/1740774515602688.

44. Austin PC, et al. Missing Data in Clinical Research: A Tutorial on Multiple Imputation Can J Cardiol. 2021; 37(9): 1322–1331. doi: 10.1016/j.cjca.2020.11.010.

45. Li T, Susan H, Scharfstein D, et al. Standards in the Prevention and Handling of Missing Data for Patient Centered Outcomes Research – A Systematic Review and Expert Consensus. J Clin Epidemiol. 2014; 67(1): 15-32. doi: 10.1016/j.jclinepi.2013.08.013. 46. https://www.stratos-initiative.org. Сited 26.01.2026.