본 논문은 전자 건강 기록(EHR)에서 누락된 실험실 수치의 정확한 대체를 위한 새로운 트랜스포머 기반 마스크 자동 인코더 프레임워크인 Lab-MAE를 제안합니다. 기존 방법(XGBoost, softimpute, GAIN, EM, MICE)이 EHR 데이터의 복잡한 시간적 및 상황적 의존성, 특히 과소 대표 그룹에서의 의존성을 모델링하는 데 어려움을 겪는다는 점을 감안하여, Lab-MAE는 자기 지도 학습을 활용하여 연속적인 순차적 실험실 값을 대체합니다. Lab-MAE는 실험실 검사 값과 해당 타임스탬프를 공동으로 모델링하는 구조화된 인코딩 방식을 도입하여 시간적 의존성을 명시적으로 포착합니다. MIMIC-IV 데이터셋을 이용한 실험 결과, Lab-MAE는 RMSE, R2, WD 등 여러 지표에서 XGBoost, softimpute, GAIN, EM, MICE 등 최첨단 기준 모델보다 성능이 훨씬 뛰어나며, 인구 통계적 그룹 전반에 걸쳐 공정한 성능을 달성하여 임상 예측의 공정성을 향상시킵니다. 또한 후속 실험실 값의 역할을 조사하여 Lab-MAE의 강력함을 보여주고, XGBoost 모델과의 탄소 발자국을 비교 측정합니다.
