الدقة والقابلية للتفهم هي ميزتان رئيسيتان لنموذج التنبؤ الناجح. عادةً ما يجب اتخاذ قرار في صالح النماذج المعقدة الصندوق الأسود مثل الشبكات العصبية المتكررة (RNN) من أجل الدقة مقابل النماذج التقليدية الأقل دقة ولكن أكثر قابلية للتفهم مثل الانحدار اللوجستي. يشكل هذا التنازل تحديات في المجال الطبي حيث تكون كل من الدقة والقابلية للتفهم مهمة. واجهنا هذا التحدي بتطوير نموذج الانتباه الزمني العكسي (RETAIN) لتطبيقه على بيانات السجلات الصحية الإلكترونية (EHR). يحقق RETAIN دقة عالية مع البقاء قابلاً للتفهم سريرياً، وهو يستند إلى نموذج انتباه عصبي ذو مستويين يكتشف الزيارات السابقة المؤثرة والمتغيرات السريرية الهامة داخل تلك الزيارات (مثل التشخيصات الرئيسية). يعمل RETAIN على تقليد ممارسة الأطباء من خلال التركيز على بيانات السجلات الصحية الإلكترونية بترتيب زمني عكسي بحيث تميل الزيارات السريرية الأخيرة إلى الحصول على انتباه أعلى. تم اختبار RETAIN على مجموعة بيانات كبيرة من السجلات الصحية الإلكترونية لنظام صحي شملت 14 مليون زيارة أجرتها 263 ألف مريض على مدى ثماني سنوات، وأظهرت دقة تنبؤية وقابلية للتوسع الحاسوبي مماثلة لأحدث الأساليب مثل RNN، بالإضافة إلى سهولة القابلية للتفهم مماثلة للنماذج التقليدية.