摘要 现有的评估临床时间序列插补方法的研究未能共同考虑缺失数据的空间（例如，在特征之间）和时间（跨时间）结构。我们提出了一种新颖的模拟模型，通过从马尔可夫链中抽样，在三个真实的临床数据集中引入现实的时空缺失。在结果数据上，我们应用了多种插补方法，包括最后观察值前移（LOCF）、线性插值和时空自编码器（STAE）。最后，我们评估了时间序列插补对下游预测任务的影响。只有在缺失模式缺乏时空结构时，深度STAE的表现才超越了更简单的基线方法。相反，线性插值在这种时空缺失上表现最佳，足以保证下游性能。该研究首次证明简单的线性插补方法能够在具有时空缺失的临床真实数据中取得稳定的性能。我们提供了一个开放的基准，以评估临床研究和预测任务中缺失数据的影响。
Giesa等（Mon，）研究了这个问题。