Pérdida de participantes y datos faltantes

Cuando algunos participantes abandonan un experimento o los investigadores no pueden recoger todos los datos previstos, quienes se quedan pueden ser diferentes de quienes se fueron. Esa diferencia puede dar una imagen sesgada que no refleje el efecto real. Por ejemplo, si los empleados menos motivados abandonan un programa de capacitación laboral antes de la evaluación final, los resultados parecerán mejores de lo que realmente son. Comprueba esto: Cuando veas los resultados de un estudio, pregúntate qué proporción de los participantes lo completó y si quienes abandonaron eran diferentes de quienes se quedaron.

La asignación aleatoria crea grupos comparables al inicio de un experimento. Después, a medida que avanza el estudio, algunos participantes se van, se saltan mediciones o proporcionan datos incompletos. La pregunta clave es si esa pérdida de participantes está relacionada tanto con el tratamiento como con el resultado. Si quienes abandonan difieren de forma sistemática de quienes se quedan, la comparación final queda sesgada porque los grupos ya no son comparables. Esto ocurre, por ejemplo, cuando los pacientes más enfermos abandonan un estudio médico y los más sanos se quedan.

Entender por qué faltan datos ayuda a diagnosticar el problema. Cuando faltan datos de forma completamente aleatoria, como cuando se extravía una encuesta, la muestra restante sigue representando al grupo original. Cuando la falta de datos depende de características observadas, como cuando resulta más difícil localizar a los participantes más jóvenes, los investigadores a veces pueden hacer ajustes estadísticos. Pero cuando depende del propio resultado que no se ha medido, como cuando las personas con depresión tienen menos probabilidades de responder a encuestas sobre depresión, no se puede corregir el sesgo sin supuestos fuertes.

Este patrón aparece en muchos ámbitos. En la investigación educativa, los estudiantes con dificultades tienen más probabilidades de cambiar de escuela, lo que puede hacer que un método de enseñanza parezca más eficaz de lo que realmente es. En los ensayos clínicos, los pacientes que sufren efectos secundarios pueden abandonar el grupo de tratamiento mientras quienes evolucionan bien se quedan, lo que exagera los beneficios. En los estudios laborales, los empleados muy comprometidos participan más en las encuestas, lo que eleva de forma sesgada las medidas de satisfacción. La amenaza para la validez es mayor cuando las tasas de abandono difieren entre el grupo de tratamiento y el de control, o cuando el motivo del abandono está relacionado con el resultado que se mide.

La protección más fiable consiste en seguir a todos los participantes, completen o no el estudio (análisis por intención de tratar), comparar las características de quienes abandonan con las de quienes lo completan y realizar análisis de sensibilidad para comprobar cómo cambiarían las conclusiones con distintos supuestos sobre los datos faltantes.

El sesgo por pérdida de participantes amenaza la validez cuando la probabilidad de que falten datos del resultado depende tanto del grupo asignado como del valor real del resultado. La herramienta RoB 2 de Cochrane lo evalúa mediante tres preguntas orientadoras: si hay datos del resultado de casi todos los participantes, si hay evidencia que indique que el resultado no está sesgado y si la falta de datos depende del valor real [1]. La investigación sobre los mecanismos de datos faltantes distingue entre MCAR (datos faltantes completamente al azar), MAR (datos faltantes al azar, condicionados a los datos observados) y MNAR (datos faltantes no al azar). Solo MCAR y MAR permiten realizar inferencias válidas sin supuestos fuertes [2]. Las diferencias en la pérdida de participantes entre los grupos experimentales suelen indicar mecanismos MNAR que distorsionan las estimaciones del efecto [3].

• Higgins (2019): El sesgo por pérdida de participantes es uno de los cinco ámbitos centrales de la herramienta RoB 2. El sesgo aparece cuando la falta de datos del resultado depende tanto del grupo de intervención como del valor real del resultado, lo que hace poco fiable el análisis de casos completos [1].
• Little y Rubin (2020): Los datos faltantes se clasifican como MCAR (la probabilidad de que falten no está relacionada con ningún dato), MAR (la falta de datos depende solo de variables observadas) o MNAR (la falta de datos depende de valores no observados). Los métodos modernos, como la imputación múltiple, requieren el supuesto MAR para realizar inferencias válidas [2].
• Salthouse (2019): En un estudio longitudinal sobre la cognición con casi 5.000 adultos, los participantes mayores de 65 años que abandonaron tenían un funcionamiento cognitivo inicial significativamente menor que quienes continuaron. Esto confirmó una pérdida selectiva de participantes que limita la generalización de los resultados a personas con un funcionamiento cognitivo más alto [3].

Las clasificaciones de los datos faltantes se basan en supuestos sobre los valores no observados que no se pueden comprobar: los investigadores no pueden distinguir de forma definitiva entre MAR y MNAR usando solo los datos observados. Incluso cuando las tasas de abandono parecen similares entre los grupos, los motivos pueden diferir de forma sistemática. Los análisis de sensibilidad ayudan, pero no pueden resolver por completo el problema de fondo. Además, el análisis por intención de tratar conserva los beneficios de la asignación aleatoria, pero no puede eliminar el sesgo cuando la falta de datos depende del resultado. Los métodos de imputación múltiple, aunque son sofisticados, siguen necesitando el supuesto MAR y modelos correctamente especificados.