Der stetig wachsende Patientenandrang und die Budgetbeschränkungen machen die Krankenhausbettenverwaltung zu einer täglichen Herausforderung für das klinische Personal. Besonders kritisch ist die effiziente Allokation von Intensivstationen (ICU) mit hohen Ressourcenanforderungen an Patienten, die Lebenserhaltungsmaßnahmen benötigen. Zentral für die Lösung dieses Problems ist die Kenntnis der wahrscheinlichen Aufenthaltsdauer der aktuellen Intensivpatienten im Einheit. In dieser Arbeit schlagen wir ein neues Deep-Learning-Modell vor, das auf der Kombination von zeitlicher Faltung und punktweiser (1x1) Faltung basiert, um die Aufenthaltsdauer-Vorhersage-Aufgabe anhand der eICU- und MIMIC-IV-Kritische-Pflege-Datensätze zu lösen. Das Modell – das wir als Temporal Pointwise Convolution (TPC) bezeichnen – ist speziell darauf ausgelegt, übliche Herausforderungen bei elektronischen Gesundheitsakten wie Schiefe, unregelmäßige Abtastung und fehlende Daten zu mindern. Dadurch konnten wir erhebliche Leistungsverbesserungen von 18-68 % (metrik- und datensatzabhängig) gegenüber den häufig verwendeten Long-Short Term Memory (LSTM)-Netzwerken und dem Multi-Head-Self-Attention-Netzwerk, bekannt als Transformer, erzielen. Durch Hinzufügen der Sterblichkeitsvorhersage als Nebenaufgabe können wir die Leistung weiter verbessern, was in einem mittleren absoluten Abweichungswert von 1,55 Tagen (eICU) und 2,28 Tagen (MIMIC-IV) bei der Vorhersage des verbleibenden Aufenthalts resultiert.