یکی از چالش‌های اصلی در رگرسیون چندنمونه‌ای، انتخاب همزمان نمونه‌های مؤثر درون هر کیسه و متغیرهای مرتبط با پاسخ است. در این پژوهش، چارچوب رگرسیون چندنمونه‌ای بیزی مبتنی بر جستجوی تصادفی شات‌گان (MIR-SSS) برای تحلیل داده‌های بیماران سوختگی به کار گرفته شد و عملکرد آن با دو روش مرجع شامل رگرسیون وزنی تجمیعی (APW) و لاسو بر روی نمایش سطح بسته مقایسه گردید. در این چارچوب، انتخاب متغیرها با استفاده از پیشین اسپایک-اسلب و انتخاب نمونه‌ها از طریق مدل لوژستیک انجام می‌شود. عملکرد روش‌ها ابتدا در چهار سناریوی شبیه‌سازی با سطوح مختلف تنکی و پراکندگی و سپس بر روی داده‌های واقعی 2024 بیمار بستری در بیمارستان سوختگی امیرالمؤمنین شیراز بررسی شد. نتایج شبیه‌سازی نشان داد که مدل MIR-SSS در سناریوهای پایه کمترین خطای پیش‌بینی و دقت بالایی در انتخاب متغیرهای مؤثر دارد، هرچند در شرایط پراکندگی بالا و حضور داده‌های پرت، روش APW از نظر خطای پیش‌بینی عملکرد بهتری نشان داد. مقادیر سطح زیر منحنی ROC نیز توانایی مدل در شناسایی نمونه‌های مؤثر را تأیید کرد. در تحلیل داده‌های واقعی، مدل MIR-SSS نسبت به دو روش مرجع عملکرد پیش‌بینی بهتری ارائه داد و چندین عامل بالینی مرتبط با پیامد بیماران را شناسایی کرد. نتایج نشان می‌دهد که این چارچوب ابزاری تفسیرپذیر برای انتخاب همزمان نمونه‌ها و متغیرها بوده و امکان کمی‌سازی عدم‌قطعیت را در تحلیل داده‌های پیچیده پزشکی فراهم می‌کند.