Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
Dit artikel introduceert en valideert het Clustered Logistic Factor with Random Effects (CLF-RE)-raamwerk als een computationeel schaalbare methode voor meervoudige imputatie die effectief incomplete, hoogdimensionale longitudinale binaire gegevens in elektronische patiëntendossiers herstelt, waarbij de bias in epidemiologische schattingen aanzienlijk wordt verminderd in vergelijking met bestaande benaderingen.