In dieser Arbeit stellen wir eine neue Deep-Learning-Architektur vor, die das Problem des überwachten Lernens mit dünn besetzten und unregelmäßig abgetasteten multivariaten Zeitreihen angeht. Die Architektur basiert auf der Verwendung eines halbparametrischen Interpolationsnetzes, gefolgt von der Anwendung eines Vorhersagenetzes. Das Interpolationsnetz ermöglicht es, Informationen während des Interpolationsstadiums über mehrere Dimensionen einer multivariaten Zeitreihe zu teilen, während für das Vorhersagenetz jedes Standard-Deep-Learning-Modell verwendet werden kann. Diese Arbeit wird durch die Analyse physiologischer Zeitreihendaten in elektronischen Gesundheitsakten motiviert, die dünn besetzt, unregelmäßig abgetastet und multivariat sind. Wir untersuchen die Leistung dieser Architektur sowohl bei Klassifikations- als auch bei Regressionsaufgaben und zeigen, dass unser Ansatz eine Reihe von Baseline-Modellen und kürzlich vorgeschlagenen Modellen übertrifft.