ข้อมูลกระจัดกระจายด้วยการผสมผสานคุณสมบัติที่ขาดหายไปสำหรับผู้เข้าร่วมส่วนใหญ่เพื่อจัดการสิ่งนั้นนักวิจัยใช้ข้อมูลในการฝึกอบรมรูปแบบประชากรที่ขับเคลื่อนโดยกรอบความน่าจะเป็นแบบไร้พารามิเตอร์ที่เรียกว่ากระบวนการแบบเกาส์เซียนซึ่งมีพารามิเตอร์ที่ยืดหยุ่นเพื่อให้เหมาะสมกับการแจกแจงความน่าจะเป็นต่างๆ เทคนิคนี้วัดความคล้ายคลึงกันระหว่างตัวแปร

เช่นจุดข้อมูลผู้ป่วยเพื่อทำนายค่าสำหรับจุดข้อมูลที่มองไม่เห็นเช่นคะแนนความรู้ความเข้าใจ เอาท์พุทยังมีการประเมินความแน่นอนของการทำนาย โมเดลทำงานได้อย่างมีประสิทธิภาพแม้ในการวิเคราะห์ชุดข้อมูลด้วยค่าที่หายไปหรือเสียงรบกวนมากมายจากรูปแบบการรวบรวมข้อมูลที่แตกต่างกัน แต่ในการประเมินรูปแบบของผู้ป่วยรายใหม่จากส่วนของผู้เข้าร่วมที่ถูกจัดไว้นักวิจัยพบว่าการคาดการณ์ของแบบจำลองนั้นไม่แม่นยำเท่าที่ควร ดังนั้นพวกเขาจึงกำหนดรูปแบบประชากรสำหรับผู้ป่วยใหม่แต่ละราย จากนั้นระบบจะเติมช่องว่างข้อมูลอย่างต่อเนื่องกับการเยี่ยมชมผู้ป่วยแต่ละรายใหม่และอัปเดตการคาดคะเนคะแนน ADAS-Cog13 ตามลำดับโดยการอัพเดตการแจกแจงที่ไม่รู้จักของจีพีเอสอย่างต่อเนื่อง หลังจากการเยี่ยมชมประมาณสี่ครั้งโมเดลส่วนบุคคลจะลดอัตราความผิดพลาดลงอย่างมากในการคาดการณ์ นอกจากนี้ยังมีประสิทธิภาพสูงกว่าวิธีการเรียนรู้ด้วยเครื่องจักรแบบดั้งเดิมที่ใช้สำหรับข้อมูลทางคลินิก