想象一种慢性病：上次检查还没发现，下次检查已经出现了。研究者只知道发病落在两次检查之间，随访越少、间隔越宽，越难学清风险随时间怎么变化。这就是区间删失。Jingyi Hu 与 Yu Gu 提出的 SPOT-IC，尝试借用其他研究的生存概率——某个时间点后仍未发生目标事件的概率——来补足目标研究的信息。
它最巧的一步，是不搬运外部模型的参数，也不要求取得每位参与者的原始记录。来源研究可以使用不同模型和变量，只需提供面向目标人群的生存概率估计。SPOT-IC 再用一种交叉熵式约束，让目标预测适度靠近这些外部结果；作者把这项约束转成加权的区间删失似然，因此可用较简单的 EM 算法反复估计。
如果有多个来源，方法会根据目标数据自适应组合候选结果，尽量防止“不合适的外援”拖累预测。作者称，只要至少一个来源足够适合目标人群，其估计收敛速度就可快于仅用目标数据的方法，并以模拟实验和 Alzheimer’s Disease Neuroimaging Initiative 数据展示效果；这些效果仍属论文作者报告。