Não possui cadastro?

Cadastre-se

Já possui conta?

Faça login

Pagamento aprovado... Acessos liberados

Seu pedido foi aprovado com sucesso

Já liberamos o acesso ao espaço exclusivo para assinantes.

Acessar área exclusiva

Pedido não processado :(

Infelizmente o seu pedido não foi processado pela operadora de cartão de crédito

Tente novamente clicando no botão abaixo

Voltar para o checkout

Biblioteca

The importance of missing data in estimating BMI trajectories

Artigo de periódico
The importance of missing data in estimating BMI trajectories
2024
Acusar erro

Publication sheet

Nome da publicação: The importance of missing data in estimating BMI trajectories

Authors: Laura A. Gray

Source: Scientific Reports

Published in: 2024

File type: Artigo de periódico

Link to the original

Summary

Body Mass Index (BMI) trajectories are important for understanding how BMI develops over time. Missing data is often stated as a limitation in studies that analyse BMI over time and there is limited research exploring how missing data influences BMI trajectories. This study explores the influence missing data has in estimating BMI trajectories and the impact on subsequent analysis. This study uses data from the English Longitudinal Study of Ageing. Distinct BMI trajectories are estimated for adults aged 50 years and over. Next, multiple methods accounting for missing data are implemented and compared. Estimated trajectories are then used to predict the risk of developing type 2 diabetes mellitus (T2DM). Four distinct trajectories are identified using each of the missing data methods: stable overweight, elevated BMI, increasing BMI, and decreasing BMI. However, the likelihoods of individuals following the different trajectories differ between the different methods. The influence of BMI trajectory on T2DM is reduced after accounting for missing data. More work is needed to understand which methods for missing data are most reliable. When estimating BMI trajectories, missing data should be considered. The extent to which accounting for missing data influences cost-effectiveness analyses should be investigated.

Summary translated by

As trajetórias do Índice de Massa Corporal (IMC) são importantes para entender como o IMC se desenvolve ao longo do tempo. Dados ausentes são frequentemente declarados como uma limitação em estudos que analisam o IMC ao longo do tempo e há pesquisas limitadas explorando como dados ausentes influenciam as trajetórias do IMC. Este estudo explora a influência que dados ausentes têm na estimativa de trajetórias do IMC e o impacto na análise subsequente. Este estudo usa dados do Estudo Longitudinal Inglês do Envelhecimento. Trajetórias distintas do IMC são estimadas para adultos com 50 anos ou mais. Em seguida, vários métodos que contabilizam dados ausentes são implementados e comparados. As trajetórias estimadas são então usadas para prever o risco de desenvolver diabetes mellitus tipo 2 (DM2). Quatro trajetórias distintas são identificadas usando cada um dos métodos de dados ausentes: sobrepeso estável, IMC elevado, IMC crescente e IMC decrescente. No entanto, as probabilidades de indivíduos seguirem as diferentes trajetórias diferem entre os diferentes métodos. A influência da trajetória do IMC no DM2 é reduzida após contabilizar dados ausentes. Mais trabalho é necessário para entender quais métodos para dados ausentes são mais confiáveis. Ao estimar trajetórias de IMC, dados faltantes devem ser considerados. A extensão em que a contabilização de dados faltantes influencia análises de custo-efetividade deve ser investigada.