近年、集中治療室（ICU）でのデータが増加する中、医療プロトコルの改善を目的とした臨床予測モデルの開発に関心が高まっています。しかし、データの質の低さが機械学習（ML）を用いた臨床予測において障害となっています。心拍数などのバイタルサインの測定値には多数の欠損部分があり、データのギャップが予測性能に悪影響を及ぼす可能性があります。これまで、多くの時系列補完技術が提案されましたが、ICUのバイタルサインを補完するための代表的な手法を比較し、最良の実践を見極める包括的な研究が不足しています。本研究では、既存の補完手法を比較し、研究者が臨床予測モデルの性能を向上させるために最も正確な補完技術を選択できるよう支援します。また、現在15の補完および4のアムプテーション手法からなるベンチマークを提供し、主要なICUデータセットに対する評価基準を構築しました。この取り組みによって、さらなるMLの発展を促し、より多くのモデルを臨床実践に導入することを目指しています。