电子健康记录中缺失数据处理方法的系统评价：从医学统计到机器学习的跨越

这篇综述系统评价了电子健康记录（EHR）中缺失数据的处理方法，比较了医学统计方法（如多重插补MICE）与机器学习方法（如生成对抗网络GAN、k近邻KNN）在不同缺失机制（MCAR/MAR/MNAR）和数据集类型（横断面/纵向）中的表现。文章指出机器学习方法在纵向数据中展现出优势，但缺乏通用解决方案，强调需要建立标准化评估体系。

　　

背景与意义
电子健康记录（EHR）在医疗研究中的应用日益广泛，但数据缺失问题严重制约其价值发挥。约95%的美国医院和85.3%的中国医院已采用EHR系统，这些数据被用于临床试验、治疗效果评估、临床预测模型开发等多个领域。然而，缺失数据导致的分析偏差成为重大挑战。Rubin于1976年提出的缺失机制理论（MCAR、MAR、MNAR）为后续方法学研究奠定了基础。

研究方法
本系统评价遵循PRISMA声明，检索了MEDLINE、EMBASE和Digital Bibliography and Library Project数据库截至2024年3月30日的文献。纳入标准包括：英文原创文章、使用EHR数据集、评估缺失数据处理方法性能。最终纳入46项研究（2010-2024年），涉及MIMIC、UCI等公开数据集。

主要发现

1. 缺失机制分布
   在46项研究中，MCAR（63.0%）、MAR（43.5%）和MNAR（45.7%）机制均有涉及。仅3项研究报告了缺失模式（单调型2项，任意型1项）。37.0%研究的缺失率≤50%，32.6%≥50%。

2. 方法学比较
   传统医学统计方法中，链式方程多重插补（MICE）使用最广泛（54.3%）。机器学习方法中：

• 深度学习：生成对抗网络（GAN）和自编码器（各9项）
• 传统机器学习：k近邻（KNN，16项）和随机森林（11项）

1. 性能对比
   26项研究直接比较显示：

• 深度学习方法在14项研究中表现最优
• 传统机器学习在8项研究中优于统计方法
• 医学统计方法在特定场景下仍具优势

场景特异性分析

1. 纵向数据

• ≤50%缺失率：CATSI、BRITS等时间序列方法表现突出
• ≥50%缺失率：ccGAN等生成模型优势明显
• 医疗专用KNN（Med.KNN）在临床变量插补中准确率高

1. 横断面数据

• 概率主成分分析（PPCA）与MICE组合效果稳定
• 混合方法MICE+CISCL在5-80%缺失率范围表现稳健

1. 缺失机制适应性

• MCAR：DAE和KNN组合误差最低
• MAR：MICE-PMM偏差控制最佳
• MNAR：IPMW方法估计最准确

技术挑战与展望
当前面临三大核心挑战：

1. 模型可解释性：深度学习"黑箱"特性影响临床接受度
2. 数据异质性：不同医疗机构EHR结构差异导致方法泛化性受限
3. 评估标准化：缺乏统一的基准测试体系

未来研究方向应聚焦：

• 开发兼顾性能与可解释性的混合模型
• 建立跨机构数据标准
• 设计涵盖复杂缺失场景的评估框架

实践建议
根据研究场景选择方法：

1. 纵向研究：优先考虑时间感知的深度学习方法（如CATSI）
2. 小样本横断面：推荐PPCA等降维结合插补
3. 高缺失率：采用生成对抗网络框架
4. 临床决策支持：需平衡模型复杂度与可解释性

该综述为医学研究者提供了EHR缺失数据处理的决策路线图，强调需要根据数据类型、缺失机制和研究目的综合选择方法。尽管机器学习方法展现出优势，但医学统计方法在特定场景下仍不可替代，两种范式将长期并存互补发展。