Al integrar datos de múltiples fuentes, un desafío común es la falta de bloques. La mayoría de los métodos existentes abordan este problema solo en estudios transversales. En este documento, proponemos un método para la selección de variables al combinar conjuntos de datos de múltiples fuentes en estudios longitudinales. Para tener en cuenta la falta de bloques en los covariables, imputamos los valores faltantes varias veces basándonos en combinaciones de muestras de diferentes patrones faltantes y predictores de diferentes fuentes de datos. Luego usamos estos datos imputados para construir ecuaciones estimativas y agregamos la información a través de sujetos y fuentes con el método generalizado de momentos. Empleamos la penalización de desviación absoluta suavizada en la selección de variables y utilizamos el criterio del criterio de Información Bayesiano extendido para la selección de parámetros de ajuste. Establecemos las propiedades asintóticas del estimador propuesto y demostramos el rendimiento superior del método propuesto a través de experimentos numéricos. Además, aplicamos el método propuesto en el estudio de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer para identificar biomarcadores sensibles en etapas tempranas de la enfermedad de Alzheimer, lo cual es crucial para la detección temprana de la enfermedad y el tratamiento personalizado.