本研究提出了一种新型变压器架构ChronoFormer，旨在解决电子健康记录数据的时间复杂性问题。实验结果表明，该方法在死亡率和再入院预测任务上优于现有技术。

本文介绍了MedM-PLM医学多模态预训练语言模型，提升了电子健康记录的表示能力，应用于药物推荐、再入院预测和ICD编码等任务，表现优于现有方法。研究表明，专门的临床模型在理解电子健康记录方面优于大型综合模型，并探讨了大型语言模型在医疗领域的应用及其挑战，强调选择合适模型以优化自然语言处理技术的重要性。

该研究提出了MuST模型，结合图卷积网络和时间变换器，有效捕捉电子病历与胸部X光的时空依赖关系。实验结果表明，MuST在医院再入院预测中优于现有方法，且多模态特征的引入显著提升了性能。