本研究提出了一种新方法GRAPHTREX，用于临床文本中的时间关系提取。该方法结合了跨度实体关系提取和异构图变换器，显著提高了时间关系提取的F1分数，为改进诊断和预后模型奠定了基础。

该研究使用深度学习和大型语言模型从EMR中提取和分类医疗信息，结果显示CNN-BiLSTM模型在医疗实体识别任务中表现优于BiLSTM-CRF模型，BERT-CNN模型在时间关系提取测试集上表现较好。