Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
Diese Arbeit führt das Clustered Logistic Factor with Random Effects (CLF-RE)-Framework als eine rechnerisch skalierbare Methode der multiplen Imputation ein und validiert dieses, welche unvollständige, hochdimensionale longitudinale binäre Daten in elektronischen Gesundheitsakten effektiv rekonstruiert und dadurch die Verzerrung epidemiologischer Schätzungen im Vergleich zu bestehenden Ansätzen signifikant reduziert.