张天嵩，董圣杰，杨智荣，武珊珊，田金徽，孙凤

缺失数据（missing data）在科学研究中非常普遍，是指因各种原因应该得到而未得到的数据[1]，单个研究中如果出现缺失数据结果，可能导致研究精度降低和效应量估计偏倚[2]。缺失数据在系统评价和Meta分析中也很常见，它有多种含义，一般是指缺失结局数据（missing outcome data，MOD）、缺失感兴趣的干预组、缺失研究（missing studies）、缺失统计量（missing statistics）、缺失整个研究结果、缺失研究水平的基本特征等[2,3]。MOD在实施网络Meta分析（Network meta-analysis，NMA）普遍存在，研究者们尝试数据处理（data-manipulation）和建模（modelling）等策略对MOD进行处理[4]，本文梳理和介绍几种主要的分析方法和策略，以期为研究人员了解相关知识和进行NMA提供参考。

1 缺失结局数据

MOD这一名词广泛应用临床研究文献中，是指某些研究对象的结局数据不存在的情境[5]。不管研究者采用何种严格的方法学，纳入Meta分析的随机对照试验在收集每个研究对象相关结局数据时，几乎不可避免地会出现失败的情况[6]而造成数据缺失，但系统评价员有时候很难判断MOD的原因是原始研究对结局未进行测量还是未进行报告[3]。

近年来，研究者开始关注系统评价中的数据缺失问题，按照主要结局数据类型，既往文献关注MOD较多的是二分类结局数据缺失和连续型结局数据缺失（missing continuous outcome data，MCOD）。如一项针对387个NMA的调查研究表明[7]，共273个NMA或明确或含蓄地指明纳入分析的研究存在数据缺失，仅141（41%）个NMA明确指出拟采用的分析计划，但实际上只有95个（35%）NMA真正实施；以二分类数据为主要结局的NMA共127个，在以连续型数据为主要结局的92个NMA中有5个NMA针对纳入的每个研究的每个臂MOD情况进行报告。……