Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
Questo articolo introduce e valida il framework Clustered Logistic Factor with Random Effects (CLF-RE) come un metodo di imputazione multipla computazionalmente scalabile che recupera efficacemente dati binari longitudinali incompleti e ad alta dimensionalità nelle cartelle cliniche elettroniche, riducendo significativamente il bias nelle stime epidemiologiche rispetto agli approcci esistenti.