En los últimos años, el desarrollo de la tecnología informática ha promovido la informatización e inteligentización de los sistemas de gestión hospitalaria y, por lo tanto, ha producido una gran cantidad de datos médicos. Estos datos médicos son recursos valiosos para la investigación. Podemos obtener inductores y síntomas desconocidos que pueden ayudar a descubrir enfermedades y realizar diagnósticos más tempranos. El trastorno hipertensivo en el embarazo (THE) es una complicación obstétrica común en mujeres embarazadas, que tiene efectos adversos graves en la seguridad de vida de las mujeres embarazadas y los fetos. Sin embargo, los síntomas tempranos y a medio plazo del THE no son obvios, y no hay una solución efectiva para ello excepto la interrupción del embarazo. Por lo tanto, detectar y prevenir el THE es de gran importancia. Este estudio tiene como objetivo el preprocesamiento de los datos de examen del embarazo, que sirve como parte de la predicción del THE. Descubrimos que el problema de datos faltantes tiene un gran impacto en la predicción del THE. A diferencia de los datos generales, los datos de examen del embarazo tienen una alta dimensión y una alta tasa de datos faltantes, están en una serie temporal y a menudo tienen muchas relaciones no lineales. Los métodos actuales no son capaces de procesar los datos de manera efectiva. Con este fin, proponemos un enfoque de imputación de valores faltantes basado en bi-LSTM mejorado. Combina el aprendizaje automático tradicional y LSTM bidireccional para tratar los datos faltantes de los datos de examen del embarazo. Nuestro método de imputación de valores faltantes obtiene un buen efecto y mejora la precisión de la predicción posterior del THE utilizando datos de examen.