本文介绍了一种基于标签依赖的注意模型LDAM，旨在提高疾病风险预测的可解释性。研究开发了多模态学习框架，整合医学记录和健康指标信息，并在MIMIC-III测试集上验证了其有效性。通过使用大型语言模型，该研究展示了在临床决策支持和疾病风险估计中的潜力，尤其是在处理电子健康记录时的优势。

深度学习在时间序列预测中取得显著进展，尤其是Transformer架构在处理长序列方面表现优异。研究综述了其在长期预测中的应用，提供最佳训练实践和潜在研究方向。此外，基于深度学习的疾病风险预测方法在临床数据分析中展现出良好前景。

本研究提出了一种新型异构图学习模型，利用电子健康记录（EHR）数据进行疾病风险预测。该模型结合疾病领域知识和时间动态，显著提高了预测的准确性和可解释性。研究结果表明，该模型在多个医疗数据集上表现优越，为个性化医疗管理提供了新思路。