本研究提出了一种基于注意力的学习框架（ACTLL），旨在解决电子健康记录中医疗时间序列数据的标签错误问题。该方法通过动态校准不确定标签和增强已确认实例，提高了患者结果预测的准确性。实验结果表明，在高噪声情况下，该模型优于现有技术。

本研究提出了一种联合学习框架，旨在解决医疗时间序列中的不规则性和缺失问题。该框架结合序列与图像表征，并采用三种自监督学习策略，其分类性能优于七种先进模型。

本研究分析了大型语言模型在医疗时间序列数据中的局限性，提出了新型决策支持模型ConMIL，显著提高了可解释性和特定任务性能，尤其在心律不齐检测和睡眠分期方面表现突出。