Исследование представляет инновационный метод калибровки моделей обыкновенных дифференциальных уравнений (ODE) для анализа редких заболеваний, где клинические данные крайне скудны и зашумлены. Авторы предложили подход устойчивой к шуму калибровки в латентном пространстве, который объединяет экспертные ODE-модели с обученными латентными представлениями. Методология включает использование синтетических траекторий ODE для обучения специфичного для модели автоэнкодера и импутера, что позволяет дополнить дефицитные реальные наблюдения. В ходе тестирования на симуляционной модели ABCDE было доказано, что предложенный импутер превосходит базовые методы (carry-forward) при умеренных сдвигах параметров, а калибровка сохраняет устойчивость даже при наличии дополнительных переменных шума. Применение метода на кастомной модели для пациентов с буллезным эпидермолизом показало, что феноменологическая модель успешно воспроизводит траектории пациентов на основе разреженных данных. Данная разработка имеет высокую значимость для персонализированной медицины и моделирования патологий с ограниченным объемом данных.