النجاح الأخير لطرق التعلم الآلي المطبقة على سلاسل زمنية تم جمعها من وحدات العناية المركزة (ICU) يكشف عن نقص معايير التعلم الآلي المعيارية لتطوير ومقارنة هذه الطرق. بينما يمكن الوصول بحرية إلى مجموعات البيانات الخام مثل MIMIC-IV أو eICU على موقع Physionet، فإن اختيار المهام ومعالجة البيانات الأولية غالبًا ما يتم بشكل عشوائي لكل نشرة، مما يحد من قابلية المقارنة بين النشرات. في هذا العمل، نهدف إلى تحسين هذا الوضع بتقديم معيار يغطي طيفًا واسعًا من المهام المتعلقة بوحدات العناية المركزة. باستخدام مجموعة بيانات HiRID، نحدد عدة مهام ذات صلة بالرعاية السريرية بالتعاون مع الأطباء. بالإضافة إلى ذلك، نوفر أنبوب عمل قابل للتكرار من البداية إلى النهاية لبناء البيانات والتصنيفات. أخيرًا، نقدم تحليلًا دقيقًا للطرق الحالية الأكثر تقدمًا في نمذجة التتابعات، مع تسليط الضوء على بعض حدود أساليب التعلم العميق لهذه النوعية من البيانات. بفضل هذا المعيار، نأمل أن نمنح المجتمع البحثي إمكانية المقارنة العادلة لأعمالهم.