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。

本文介绍了多种无人监督的时间关系提取方法，包括弱监督学习、期望最大化算法和神经网络等。这些方法在无需额外注释数据的情况下，显著提高了时间关系提取的准确性，并在不同数据集上展示了有效性和适应性。

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。