在心脏康复二级预防综合干预模式的纵向研究中，由于住院患者监测资料分析变量多，收集过程复杂，研究对象欠合作或患者行动不便等原因，不可避免地会出现数据缺失。按目前常规分析思路，直接舍去缺失数据，仅采用完全数据进行分析；或即便采用缺失数据填补，但仍不考虑其数据缺失机制，都有可能受到强影响数据影响，得到有偏估计，甚至得出与医学解释相违的错误结论。为更充分地利用和揭示临床监测资料中缺失数据所蕴藏的信息，本文主要阐明Diggle&Kenward(DK)选择模型，系统介绍敏感性分析判定数据缺失机制的基本思想与方法；并针对缺失数据分析特点，引入不同缺失机制资料，实现强影响力个体数据的敏感性分析。本文通过不同样本量与不同缺失比例的模拟证实，结合急冠综合征CCU病房心脏康复二级预防综合干预实例分析，进一步阐明了DK选择模型缺失机制的判定方法，三种数据缺失机制下强影响个体值的识别方法与步骤。全部过程由SAS软件编程实现。模拟证实表明，不同样本量与不同缺失比例的完全随机缺失(MCAR)、随机缺失(MAR)和非随机缺失(MNAR)机制的识别，需要的最小样本含量、最低缺失比例不同。在适宜样本量和缺失比例的情况下，DK选择模型可以准确判定完全随机缺失和随机缺失机制，对非随机缺失机制的判定，结果尚不可靠。对非随机缺失而言，尚需要识别有强影响力个体值，并予以分析处理的基础上，再进行后续的敏感性分析，才能更好地判定是否属于非随机缺失机制。通过收集某心血管专科医院CCU病房133例急冠综合征患者心脏康复二级预防综合干预SCL—90及SAS量表资料分析，研究结果再次证实：DK选择模型及去除强影响力点后的局部影响力DK选择模型，可以准确判定数据缺失机制，分析方法可行，分析过程与步骤可通过SAS编程实现。本研究实例判定为完全随机缺失，采用MCMC完成数据的多重填补后进行了分析，结果表明，忽略缺失机制直接进行分析的结果，有可能导致结果解释出现偏性。总之，本文针对纵向研究中数据缺失问题，进一步阐明了DK选择模型与敏感性分析判定数据缺失机制的原理与方法；采用模拟研究方法，证实了缺失数据资料分析中，样本含量与缺失比例的关系及其影响；采用SAS软件编程，实现了强影响力个体数据识别的敏感性分析，并收集某院CCU急性冠脉综合症患者心脏康复二级预防综合干预的纵向研究资料，实现了数据缺失机制判定，强影响力个体数据识别以及纵向研究缺失数据模型分析。