Background: Cardiac magnetic resonance imaging (MRI) is a noninvasive technique used to accurately and reproducibly measure biological parameters such as left ventricular mass. However, some subjects either refuse or are unable to complete testing, and the impact of excluding these missing data from predictive models is unknown.
Methods: Multiple imputation was applied to cardiac MRI data that were previously analyzed using a complete case approach. The model variables - 10 traditional cardiovascular risk factors and five sociodemographic variables - were used as a basis for imputation. Men and women were imputed separately. The primary focus was assessing the change in the cardiovascular predictors of left ventricular geometry and systolic function.
Results: Although 27% of participants were missing cardiac MRI data, multiple imputation returned results similar to those of a complete case analysis. These results were robust to the point of including additional variables in the imputation analysis above and beyond the model variables. The degree of variance explained by the models increased marginally but the statistical inference was altered for only two predictors out of 53 cardiovascular risk factors using multiple imputation.
Discussion: The results suggest that the cardiac MRI data in the Multi-Ethnic Study of Atherosclerosis (MESA) do not substantively change when missing data are handled using multiple imputation. Future analyses of cardiac MRI data may consider the complete case approach to be adequate despite the high rate of missing data in this population.
HISTORIQUE :: L’imagerie par résonance magnétique (IRM) est une technique non effractive utilisée pour mesurer de façon précise et reproductible certains paramètres biologiques, tels que la masse ventriculaire gauche. Or, il arrive que des patients refusent ou sont incapables de mener le test à terme et on ignore quel est l’impact de l’exclusion de ces données manquantes des modèles prédictifs.
MÉTHODES :: Une technique d’imputation multiple a été appliquée aux données d’IRM cardiaques préalablement analysées à l’aide d’une approche par ensembles complets de données. Les variables du modèle, dix facteurs de risque cardiovasculaires classiques et cinq variables sociodémographiques, ont servi de base pour l’imputation. Les hommes et les femmes ont fait l’objet d’imputations distinctes. L’objectif principal était d’évaluer le changement des prédicteurs cardiovasculaires de la géométrie et de la fonction systolique ventriculaires gauches.
RÉSULTATS :: Bien que 27 % des participants aient présenté des données d’IRM cardiaque partielles, l’imputation multiple a généré des résultats semblables à ceux des sujets dont l’analyse des données était complète. Ces résultats se sont révélés robustes au point d’inclure des variables additionnelles dans l’analyse d’imputation en plus des variables du modèle. Le degré de variance expliqué par les modèles a augmenté accessoirement, mais l’inférence statistique a été modifiée pour seulement deux prédicteurs sur 53 facteurs de risque cardiovasculaires à l’aide de l’imputation multiple.
DISCUSSION :: Les résultats donnent à penser que les données d’IRM cardiaque de l’étude MESA (Multi-Ethnic Study of Atherosclerosis) ne changent pas substantiellement lorsque les données manquantes sont manipulées par imputation multiple. Les futures analyses des données d’IRM cardiaque pourraient considérer que l’approche par cas complet serait adéquate malgré le taux élevé de données manquantes dans cette population.