A method for processing a sparsely populated data source comprising: retrieving data from a sparsely populated data source whose records comprise at least one unpopulated data field corresponding to a medical measurement； dividing the data into a training data set and a validation data set； analysing the training data set using a non-linear function approximation algorithm to obtain a trained model and measurement prediction protocols for populating unpopulated fields in the training data set； using the measurement prediction protocols to predict data for the unpopulated data fields； analysing the training dataset on the basis of predefined disease conditions in known patient records to form a disease model which predicts a probability of a disease condition； validating the disease model by analysing the validation dataset and determining a validation error； repeating steps to minimise the validation error and predict a probable disease state for each patient record.L'invention concerne un procédé de traitement d'une source de données incomplète, comprenant les étapes suivantes : la récupération de données à partir d'une source de données incomplète dont les dossiers comprennent au moins un champ de données vide correspondant à une mesure médicale ； la division des données en un ensemble de données d'apprentissage et en un ensemble de données de validation ； l'analyse de l'ensemble de données d'apprentissage à l'aide d'un algorithme d'approximation de fonction non linéaire, pour obtenir un modèle entraîné et des protocoles de prédiction de mesure destinés à compléter des champs vides dans l'ensemble de données d'apprentissage ； l'utilisation des protocoles de prédiction de mesure, pour prédire des données destinées aux champs de données vides ； l'analyse de l'ensemble de données d'apprentissage sur la base d'états pathologiques prédéfinis dans des dossiers de patients connus, pour former un modèle de pathologie qui prédit une probabilité d'état pathologique ； la val
