Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
Cet article introduit et valide le cadre du Facteur Logistique Groupé avec Effets Aléatoires (CLF-RE) en tant que méthode d'imputation multiple informatiquement scalable qui restitue efficacement les données binaires longitudinales de haute dimension incomplètes dans les dossiers de santé électroniques, réduisant de manière significative le biais des estimations épidémiologiques par rapport aux approches existantes.