Pour détecter l'ostéoporose à partir de sa probabilité de présence, on s'intéresse à estimer cette dernière à partir d'un jeu de données où certaines observations peuvent être manquantes au moment du calcul de la probabilité. Nous avons ici recours aux outils de modélisation graphique pour la sélection de variables dans le modèle de prédiction. Pour ce faire, on estime le modèle graphique CG par ajustement à nos données qui sont à ce stade complètes. Quand il s'agit d'estimer la robabilité de présence pour un patient pour lequel quelques variables peuvent être manquantes, une version modifiée du modèle graphique sélectionné sur l'ensemble des variables est alors estimé sur la base cette fois privée des variables manquantes. On compare cette approche à celle où le modèle est à la fois sélectionné et estimé sur la base privée des variables en question. Quelques soient ces variables, on constate une nette amélioration de la classification résultante.