本文研究了机器学习模型在临床预测任务中的表现，特别是在生理时间序列方面。通过比较不同模型在脓毒症结局预测上的表现，发现深度学习方法优于非深度学习方法，但需要满足特定条件，如使用特定评估指标和足够规模的训练数据集。

本文介绍了一种可伸缩的端到端分类器，用于预测败血症发作。该分类器使用生理时间序列和药物数据，并能在真实临床数据中工作。通过使用多元高斯过程模型和回归神经网络，该分类器在医院数据中表现优于新闻评分，改进了19.4％和55.5％。