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，解决医疗时间序列中的不规则性和缺失问题。通过结合序列和图像表征，设计了三种自监督学习策略，提升了融合效果。结果表明，该方法在真实临床数据集上的分类性能优于七种先进模型，展现出更强的鲁棒性和适应性。

本研究提出了一种新型决策支持模型ConMIL，旨在提高大型语言模型在医疗时间序列数据中的精确性。该模型通过集成多实例学习和外推预测，在心律不齐检测和睡眠分期任务中表现优越，具有重要的临床应用潜力。