本研究探讨了电子健康档案（EHR）的生存分析，提出了基于深度学习的DySurv和非参数事件时间分布估计等新方法，显著提高了健康事件预测的准确性和稳定性。这些方法在处理异构数据和动态风险评估方面表现优越，推动了健康数据科学的发展。

该文综述Transformer在时间序列中的应用，涵盖多项研究：结合注意力与频域信息提升预测性能；AttentionViz可视化自注意力；相关注意力捕捉特征关系；PatchTST通过子序列分块与通道独立提高长期预测精度；FMLA结合可变形卷积与知识蒸馏降低复杂度；扩展注意力捕捉周期；Multi-Time Attention Networks处理电子健康档案稀疏不规则数据；以及用高维函数特征映射建模时间事件交互。