Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
Este artículo introduce y valida el marco de Factor Logístico Agrupado con Efectos Aleatorios (CLF-RE, por sus siglas en inglés) como un método de imputación múltiple computacionalmente escalable que recupera eficazmente datos binarios longitudinales incompletos en registros de salud electrónicos, reduciendo significativamente el sesgo en las estimaciones epidemiológicas en comparación con los enfoques existentes.