في دراسة مختلف الأمراض، غالبًا ما يؤدي التباين بين المرضى إلى أنماط تقدم مختلفة، وقد يتطلب ذلك أنواعًا مختلفة من التدخلات العلاجية. وبالتالي، يُعد دراسة تصنيف المرضى إلى مجموعات فرعية أمرًا مهمًا، حيث يُقصد بتصنيف المرضى إلى مجموعات فرعية ذات خصائص تمييزية للمرض. ويعتبر تصنيف المرضى بناءً على بيانات معقدة تحديًا كبيرًا نظرًا لتباين المعلومات وديناميكيات الزمن. وقد استُخدمت وحدات الذاكرة الطويلة القصيرة (LSTM) بنجاح في العديد من المجالات لمعالجة البيانات التسلسلية، وتم تطبيقها مؤخرًا لتحليل السجلات الطبية الطويلة الأمد للمرضى. وتم تصميم وحدات LSTM لمعالجة البيانات التي تتميز بفترات زمنية ثابتة بين العناصر المتتالية في التسلسل. ولكن بما أن الفجوات الزمنية بين العناصر المتتالية في سجلات المرضى قد تتراوح من أيام إلى أشهر، فإن تصميم LSTM التقليدي قد يؤدي إلى أداء غير مثالي. في هذه الورقة، نقترح وحدة LSTM جديدة تُسمى LSTM المُدرك للزمن (T-LSTM) لمعالجة الفواصل الزمنية غير المنتظمة في السجلات الطبية الطويلة الأمد للمرضى. ونُعلم تحليلًا فرعيًا لفضاء الذاكرة الخلوية، مما يمكّن من تقليل الذاكرة حسب الزمن المنقضي. ونُقدّم نموذجًا لتصنيف المرضى يستفيد من T-LSTM المقترحة ضمن مُشفّر ذاتي (auto-encoder) لاستخلاص تمثيل قوي واحد للسجلات التسلسلية للمرضى، ثم يتم استخدام هذا التمثيل لتوحيد المرضى في مجموعات سريرية فرعية. وأظهرت التجارب على مجموعات بيانات مُصطنعة وواقعية أن معمارية T-LSTM المُقترحة تمكّن من التقاط الهياكل الكامنة في التسلسلات التي تتميز بانعدام الانتظام الزمني.