Recovering Incomplete Clustered Binary Data in Longitudinal Electronic Health Records Using Multiple Imputation
Este artigo introduz e valida o framework de Fator Logístico Agrupado com Efeitos Aleatórios (CLF-RE) como um método de imputação múltipla computacionalmente escalável que recupera eficazmente dados binários longitudinais incompletos e de alta dimensão em registros eletrônicos de saúde, reduzindo significativamente o viés em estimativas epidemiológicas em comparação com abordagens existentes.