Naukowcy opracowali nową metodę obsługi brakujących danych w medycznych systemach AI, które analizują wiele rodzajów informacji o pacjentach jednocześnie. Problem polega na tym, że w rzeczywistych szpitalach dane pacjentów rzadko są kompletne - część wyników badań może być niedostępna, a pacjenci przechodzą leczenie w różnych ośrodkach, które nie zawsze dzielą się informacjami. Dotychczasowe algorytmy miały trudności z taką fragmentaryczną rzeczywistością kliniczną i albo odrzucały pacjentów z brakami danych, albo uczyły się słabiej.
Zespół zaproponował autoregresyjne modelowanie sekwencji - podejście, które buduje przewidywania krok po kroku, traktując brakujące dane jako część naturalnego procesu. Model uczy się zarówno interpretować, co się stało w przeszłości pacjenta (mimo braków informacji), jak i prognozować jego przyszły stan zdrowia. Kluczowa innowacja polega na tym, że system nie musi znać wszystkich parametrów naraz - podobnie jak lekarz może pracować z niepełną dokumentacją, algorytm operuje na fragmentach danych i buduje koherentny obraz sytuacji pacjenta.
Praktycznie rzecz biorąc, to oznacza potencjał dla lepszych systemów wspomagania decyzji lekarskich w szpitalach z niski jakością dokumentacji, oraz szybszych diagnoz - bez czekania na wszystkie wyniki badań. Metodologia ma znaczenie szczególnie w krajach rozwijających się i mniejszych placówkach, gdzie infrastruktura cyfrowa nie zawsze dorównuje dużym ośrodkom. Badacze pokazali, że ich podejście radzi sobie lepiej niż wcześniejsze techniki obsługujące brakujące dane w medycynie.