تُعدّ توقع مسارات الأمراض من خلال السجلات الصحية الإلكترونية (EHRs) مهمة معقدة نظرًا للتحديات الكبيرة مثل عدم الثبات في البيانات، ودرجة التفصيل العالية في الرموز الطبية، ودمج البيانات متعددة الوسائط. تحتوي السجلات الصحية الإلكترونية على بيانات منظمة، مثل رموز التشخيص، وبيانات غير منظمة، مثل الملاحظات السريرية، والتي تحمل معلومات حيوية غالبًا ما تُهمل. تعاني النماذج الحالية، التي تعتمد بشكل رئيسي على البيانات المنظمة، من صعوبة في التقاط السياق الطبي الكامل للمريض، مما يؤدي إلى فقدان معلومات قيمة. ولحل هذه المشكلة، نقترح نهجًا يدمج الملاحظات السريرية غير المنظمة في نماذج التعلم العميق المستندة إلى المُحَوِّلات (Transformers) لتنبؤ الأمراض التسلسلية. يُعزز هذا الدمج تمثيل تاريخ المريض الطبي، وبالتالي يُحسّن دقة تنبؤات التشخيص. أظهرت التجارب على مجموعة بيانات MIMIC-IV أن النهج المقترح يتفوّق على النماذج التقليدية التي تعتمد فقط على البيانات المنظمة.