一家医院常查尿量，另一家很少查。对死亡风险模型来说，“没查”不只是空白，也可能反映诊疗流程和患者差异。共形预测——用校准数据估计模型通常会错多远，再给出包含真实结果的预测集合——即使总体达到目标覆盖率，也可能漏掉某类检查缺失的患者。
作者先用独立样本选出缺失率在医院间变化最大的检查，再按“有记录／无记录”分组，各自做 Mondrian 共形校准，也就是分别设定阈值，并避免重复利用校准结果。在 eICU 跨医院和 MIMIC-IV 院内跨科室的六组实验中，相比混合校准，该方法都缩小了所选分组里最差一组的覆盖缺口，中位缩小 1.9 个百分点；这是作者报告的结果。
但论文更值得注意的是警告：把医院合并统计，会改变各医院权重，还会让一院的覆盖不足被另一院的覆盖过度抵消。逐院评估 eICU 后，三种模型的收益都缩小，XGBoost 甚至反转。换句话说，总体覆盖率变好，不等于每家医院、每类缺失患者都更安全。