本論文では、集中治療における不完全なデータから動的ベイジアンネットワーク（DBN）を学習するための新しい手法LUME-DBNを提案します。DBNは患者データの複雑な時間的関係をモデル化する能力から、医療分野での利用が進んでいますが、既存の手法は静的ベイジアンネットワークに基づいており、時間的な特性を適切に考慮できていません。このため、特に集中治療のような環境においては、時間に沿った不確実性の定量化が重要ですが、その方法は未発達です。本研究で提案する手法は、欠損値をガウス分布に従う未知のパラメータとして扱い、Gibbsサンプリングに基づいています。この方法により、観測されていない値を条件付き分布からサンプリングし、体系的な補完と不確実性の推定が可能になります。シミュレーションデータと重症患者の実データを用いて評価した結果、標準的な技法と比較して改善された精度と収束性を示しました。これは、臨床意思決定の信頼性を向上させるもので、特に欠損データが頻繁に発生する状況において利点を提供します。