電子カルテにおける臨床検査は不規則な間隔で収集されており、ある検査がオーダーされなかったという事実自体が、実際の測定値と同じくらい情報量を持つ場合がある。このような欠測は、臨床医の判断と患者の生理状態を反映しているため、前処理上のノイズとして扱うのではなく、積極的にモデル化する必要があると研究者らは指摘する。この考え方に基づき、2026年6月14日にarXivへ投稿された論文が、検査値とその観測パターンを同時にモデル化する拡散モデルベースの生成手法を提案している。論文タイトルは「Informative Missingness to Generate Irregular Clinical Time Series（情報的な欠測を用いた不規則な臨床時系列の生成）」で、Hadi Mehdizavareh氏ら7名による共著であり、主分類は機械学習（cs.LG）、副次的に計算機と社会（cs.CY）にも関連している。
データ面では、MIMIC-IIIに由来する公開ベンチマーク「Data Analytics Challenge on Missing Data Imputation（DACMI）」が用いられている。現実的なサンプリングを保つため、記録時刻を4時間単位の区間に揃え、各入院を7日間のウィンドウに分割することで、各検査値に対応する観測インジケータを対にした軌跡を生成している。さらに標準的な変換と正規化を適用し、学習を安定させている。
手法としては、TimeDiffフレームワークを拡張し、相補的な拡散目的関数を通じて連続的な検査値と離散的な欠測パターンの双方を学習する。すなわち、検査値の分布を生成する一方で、「いつ検査され、いつされなかったか」という観測パターンも同時に生成し、両者を互いに関連付けながら生成する仕組みである。評価は二つの観点から行われた。一つは個々の検査項目ごとの分布であり、もう一つは値と欠測性の結合埋め込み空間における全体的な構造である。いずれの観点でも、生成データは実患者の軌跡と高い類似性を示した。これは、MNAR（非ランダム欠測）に近い欠測機構の下で、拡散モデルが患者の生理状態と臨床医の検査行動との間に存在する臨床的に意味のある依存関係を捉えられることを示している。
著者らはこれらの成果を予備的な結果と位置づけており、本モデルが臨床基盤モデル構築に向けた初期コンポーネントになり得ると述べている。生理状態と欠測の重要な関係を保持した合成事前分布を生成することで、この研究は情報的な欠測を活用できるPrior-Data Fitted Networksの今後の学習を動機付けるものであり、拡張研究でさらに検討するとしている。論文全文はarXivで公開されており、DOIは10.48550/arXiv.2606.17106、バージョンはv1、ファイルサイズは約710KBである。現時点の結果はあくまで予備的なものであり、その意義は実現可能性の検証と、より大規模な臨床基盤モデル研究への足がかりを提供する点にある。