Wenn Daten fehlen – das ist das Ergebnis
In der klinischen Forschung sind fehlende Daten selten zufällig. Wenn wichtige Prädiktoren in mehr als 45 % der Fälle fehlen, hat die Lücke selbst eine Bedeutung – und es reicht nicht aus, Variablen einfach wegzulassen oder Sensitivitätsanalysen durchzuführen.
Auf der Konferenz „Survival Analysis for Junior Researchers“ (SAfJR 2026 (externer Link, öffnet neues Fenster)), die vom 25. bis 27. März 2026 stattfand, präsentierten wir den Vortrag „Precision Joint Modeling under Missingness: A Unified Bayesian Approach for Predicted Individual Treatment Effects (PITEs)“ – und zeigten, wie die Betrachtung fehlender Daten als Information statt als Rauschen präzise Vorhersagen mit bemerkenswerten rechnerischen Vorteilen ermöglicht.