病人的血压一段时间没测，不一定只是随机漏记：也可能因为病情稳定，医护人员减少了测量。换句话说，“哪里缺了”本身也在透露病情。以往常把补全缺失值和预测未来拆成两个任务，LIFTS则用一个潜在状态——无法直接观察、但可概括系统真实变化的内部状态——同时解释测量数值与缺失位置。
它最关键的一步，是让信息沿时间双向流动：向前计算根据已有记录推断当前状态并预测未来；向后计算再利用后续记录修正过去状态，生成多种可能的缺失值，而非只填一个看似确定的答案。缺失掩码——逐时点标记哪些变量被测量——因此不再只是空白登记表，也参与判断潜在状态。
作者称，模拟实验和 PhysioNet 2019 数据分析显示，LIFTS 的预测区间较好校准，训练数据较少时分布预测优势更明显，推理也比扩散模型基线 CSDI 快得多；但论文未在摘要与所给片段中给出这些优势的具体数字。