精度と解釈可能性は、予測モデルの成功に欠かせない2つの主要な特徴です。通常、精度を重視する場合、リカレントニューラルネットワーク（RNN）などの複雑なブラックボックスモデルを選択する必要がありますが、解釈可能性を重視する場合は、ロジスティック回帰などの精度が低いながらもより解釈可能な伝統的なモデルを選択します。このトレードオフは、精度と解釈可能性の両方が重要な医療分野において課題となっています。当該課題に対処するために、電子健康記録（EHR）データへの応用を目指してREverse Time AttentIoN モデル（RETAIN）を開発しました。RETAIN は高精度を達成しながら臨床的に解釈可能であり、過去の影響力のある診察とその診察における重要な臨床変数（例：主要な診断）を検出する2段階のニューラルアテンションモデルに基づいています。RETAIN は医師の診療実践を模倣し、逆時間順でEHRデータに注目することで、最近の診察がより高い注目度を得ることを可能にします。RETAIN は8年間にわたる26万3千人の患者による1400万回の診察からなる大規模な医療システムEHRデータセットでテストされ、RNNなどの最先端手法と同等の予測精度と計算スケーラビリティを示すとともに、伝統的なモデルと同等の解釈容易性を有することが確認されました。