電子カルテ（EHR）から疾患の進行経路を予測することは、データの非定常性、医療コードの高粒度性、およびマルチモーダルデータの統合といった大きな課題があるため、非常に複雑なタスクである。EHRには診断コードなど構造化されたデータと、臨床ノートなど非構造化されたデータが含まれており、後者はしばしば無視されがちな重要な情報が含まれている。現在のモデルは主に構造化データに基づいているため、患者の医療的文脈を完全に捉えきれず、貴重な情報の損失を引き起こしている。この問題に対処するため、我々はTransformerを基盤とする深層学習モデルに非構造化された臨床ノートを統合するアプローチを提案する。この統合により、患者の医療履歴の表現が豊かになり、診断予測の精度が向上する。MIMIC-IVデータセットを用いた実験の結果、本手法は構造化データに依存する従来のモデルを上回ることが示された。