本研究提出了临床时间知识图表示（CTKGR）模型，这是一种结合图卷积网络（GCN）、循环神经网络（RNN）和注意力机制的新颖方法，能够有效建模电子健康记录（EHR）中的时间临床动态。CTKGR模型引入了时间长度感知模块（TLAM）以处理不规则时间间隔和患者访问频次不一致的问题。应用于肺炎患者数据时，CTKGR显著提升了临床症状预测和用药建议的准确性，为住院期间的临床决策提供了强大的人工智能支持。本研究旨在开发一种先进的临床事件预测模型，充分利用电子健康记录中蕴含的时间特性，重点预测肺炎患者住院期间的临床事件，以提升临床决策效果。我们通过系统抽取多时间点肺炎患者EHR中的临床信息构建了时间知识图（TKG）。为有效捕捉时间动态和复杂的临床交互，提出了临床TKG表示（CTKGR）模型。该创新模型融合了图卷积网络（GCN）、循环神经网络（RNN）和注意力机制，明确定义临床事件进展。此外，开发了时间长度感知模块（TLAM），以应对不规则时间间隔和患者访问频率不一的挑战。所提出的CTKGR模型表现出优越的预测性能，症状预测AUC达到0.745，用药推荐AUC达到0.798，显著优于传统静态及非时间序列方法。CTKGR模型有效捕捉了临床数据固有的时间动态，展现了对动态演变临床事件的强大预测能力。本研究为人工智能驱动的临床决策支持提供了新颖且有效的框架，在肺炎管理中具有广泛应用潜力。
杨等人（Sun，）研究了该问题。