في عالم الطب، تلعب التهوية الميكانيكية دورًا حيويًا كأداة لدعم الحياة، حيث تحتاج التعديلات على إعدادات الجهاز إلى استجابة ديناميكية حسب الحالة الصحية للمرضى. هنا، تُظهر أساليب تعلم التعزيز (Reinforcement Learning) وعودًا كبيرة في تحسين هذه القرارات المستمرة. ومع ذلك، فإن الأساليب التقليدية تستند بشكل رئيسي إلى بيانات السجلات الصحية الإلكترونية (Electronic Health Record - EHR)، متجاهلة السياق السريري الحيوي الموثق في الملاحظات النصية.

تكمن المشكلة في أن دمج الملاحظات السريرية الطويلة الأمد في فضاءات الحالة الخاصة بتعلم التعزيز يشكل تحديًا بسبب تكرار النصوص الزمني، مثل النصوص المنسوخة والنمطية والتكرار الوثائقي، مما يُضعف التحديثات الزمنية ويؤدي إلى تدهور جودة تمثيل الحالة.

لذا، قدم الباحثون إطار عمل تمثيل حالة واعي بالتكرار الزمني، يهدف إلى إزالة النصوص المتكررة قبل عملية تعلم السياسة. وتم تقييم استراتيجيتين فعاليتين من الناحية الحسابية لكي يتم إزالة النصوص المكررة:
1. تفكيك الفضاء المضمن باستخدام التحليل القيمي الوحيد على تحت فضاءات التاريخ المحلي.
2. عملية الاختلاف على مستوى الجملة، التي تعمل على تصفية الجمل التي تم توثيقها مسبقًا قبل ترميز النص.

باستخدام بيانات من وحدات العناية المركزة الحقيقية، أظهرت النتائج أن تمثيلات الحالة المبنية على إزالة التكرار الزمني تفوق بشكل كبير كل من الأساليب التقليدية والاعتماد على الملاحظات الخام عبر عدة طرق تقييم خارجية. تكشف النتائج أن فصل المعلومات السريرية الجديدة عن النصوص المتكررة يؤدي إلى تحسين جودة تمثيلات الحالة، مما يعزز أداء تعلم التعزيز في دعم القرارات السريرية.