体检表里漏了几项指标，先把空格补上再做预测，看似只是数据清理；这项研究却提醒我们，填法还会决定模型换到另一批患者时是否可靠。作者用8245名心脏病患者的完整数据模拟缺失，将其均分为开发集和外部验证集——后者用于检验模型换环境后会不会失灵。
在18种情景中，若只是单个线性变量或分类变量缺失30%至60%，五种方法的区分能力都接近完整数据模型，AUC中位数约0.75；但遇到非线性变量或更复杂的缺失模式，缺失越多，预测与校准越差，90%时尤其明显。作者报告，多重插补——生成多份合理数据以保留不确定性——反而更不稳定、更易过拟合；missForest内部表现不错，外部验证却过拟合。K近邻填补的预测最稳定，外部验证更好，计算也最快。不过这是基于真实心脏数据的模拟研究，最佳方法仍取决于缺失变量的特点。