编辑推荐：
本研究针对ICU时间序列数据缺失问题，通过设计真实世界缺失场景，系统评估了统计方法（均值/LOCF/插值）、经典机器学习（MICE/MissForest）和深度学习（Transformer/RNN/GAN/VAE）等插补策略。结果表明Transformer和GAN表现最优，但线性插值仍是高效基线，且结果高度依赖缺失机制（MCAR与结构化缺失）。该研究为临床时间序列分析提供了实用评估框架。
在重症监护室（ICU）的日常监测中，各类生命体征传感器源源不断地产生海量时间序列数据，这些数据对临床决策和科研分析具有重要价值。然而现实情况往往不尽如人意：心电导联脱落、血压袖带定期充放气、患者外出检查等环节都会导致数据出现不同程度的间断。这种非随机缺失（Not Missing At Random, NMAR）的模式给数据分析带来严峻挑战——传统删除缺失记录的方法会损失宝贵信息，而简单插补又可能引入偏差。更棘手的是，现有研究多基于完全随机缺失（Missing Completely At Random, MCAR）的假设进行方法评估，这与临床实际缺失机制存在显著差异，导致模型性能评估过于乐观。
为破解这一困境，研究人员在《Scientific Reports》发表论文，创新性地设计了贴近真实ICU工作流程的缺失场景，并在此框架下对九类主流插补方法展开全面基准测试。研究团队从MIMIC-IV（Medical Information Mart for Intensive Care IV）数据库中提取监测数据，通过模拟传感器故障（随机点缺失）、治疗中断（块状缺失）等典型场景，系统比较了从简单统计方法到前沿深度学习模型的性能差异。
关键技术方法包括：利用MIMIC-IV数据库构建测试数据集；设计三种缺失机制（MCAR、MAR、NMAR）的掩蔽方案；评估三类插补方法（统计方法包含均值填充、前向填充（Last Observation Carried Forward, LOCF）、线性插值；机器学习方法包含多重插补（Multiple Imputation by Chained Equations, MICE）、随机森林插补（MissForest）；深度学习方法包含循环神经网络（Recurrent Neural Network, RNN）、变换器（Transformer）、生成对抗网络（Generative Adversarial Network, GAN）、变分自编码器（Variational Autoencoder, VAE））；采用均方根误差（Root Mean Square Error, RMSE）和动态时间规整（Dynamic Time Warping, DTW）等指标进行量化评估。
研究结果呈现出清晰的层次结构。在随机缺失场景下，所有方法的误差估计均被低估，不同算法间的性能差异被压缩。特别是在模拟设备故障的MCAR场景中，简单线性插值与复杂深度学习模型的差距不足5%，这验证了传统评估方式的局限性。而当引入临床实际存在的结构化缺失（如每2小时出现的血压监测中断）时，性能分层变得显著：Transformer模型在长序列依赖捕捉方面表现突出，其注意力机制能有效识别生理信号的周期模式；GAN则凭借强大的分布拟合能力，在复杂波形重建上获得最优指标。值得注意的是，经典方法中线性插值始终保持竞争力，尤其在缺失时长小于5分钟的场景下，其误差率仅比最优深度学习模型高0.8%。
进一步分析揭示了个体化插补的必要性。对于心率等具有强自相关性的变量，LOCF方法仍具实用价值；而血压波形等复杂信号则显著受益于GAN的生成能力。这种特性提示未来可开发变量类型导向的混合插补策略。此外，研究还发现深度学习模型对训练数据规模敏感——当样本量超过10万条记录时，Transformer和GAN才稳定优于传统方法。
讨论部分强调了三重启示：首先，评估框架的临床真实性比算法复杂度更值得关注，脱离实际缺失机制的benchmark可能产生误导性结论；其次，轻量级方法不可忽视，线性插值在80%的临床场景中足以满足分析需求；最后，深度学习的价值在极端缺失情况（如连续缺失>30分钟）中尤为凸显。研究者建议临床团队可根据数据缺失特征分层选用策略：常规监测采用线性插值保证效率，科研级分析则可投入Transformer等资源密集型方法。
这项研究的意义在于构建了连接计算方法学与临床需求的桥梁。通过还原真实的ICU数据生态，不仅为时间序列插补领域提供了更可靠的评估基准，也促使机器学习社区重新审视"简单vs复杂"的方法选择哲学。未来工作可延伸至多模态数据整合、插补结果对下游临床预测任务的影响评估等方向，最终推动人工智能在重症医学领域的稳健落地。
