في عالم الرعاية الصحية، تظل البيانات السريرية السلسلة (time-series data) تحدياً كبيراً للباحثين والممارسين. إذ تصعب الفترات الزمنية غير المنتظمة، اختفاء القيم، وأنماط الملاحظات المتباينة عبر عدة متغيرات، من استخدام تقنيات النمذجة التقليدية.

تقوم الأساليب الحديثة، التي تُعتمد غالباً، باستخدام أقنعة الملاحظة (observation masks) والمعلومات الزمنية، لكن ينقصها القدرة على التقاط موثوقية المشاهدات السابقة بشكل مستمر أو تنظيم المعلومات متعددة الدقة ضمن سياق زمني مترابط أثناء التجميع.

لكن، مع إدخال تقنية ReTAMamba (Reliability-aware Temporal Aggregation with Mamba)، يحدث تحول جذري! يعتمد هذا النظام الثوري على إعادة بناء السلاسل الزمنية السريرية كسلاسل رمزية متغيرة زمنياً، حيث يتم تقدير موثوقية الملاحظات بناءً على الفجوات الزمنية والوقت المنقضي.

يتم استخدام أسلوب "تشابك زمني" (Chronological Weaving) لدمج المعلومات الزمنية القصيرة والطويلة ضمن سياق زمني متسق، مع إضافة جهاز توجيه رمزي (token router) لتقييد طول السلسلة دون الإضرار بالملخصات المعلوماتية.

أظهرت التجارب على مجموعات بيانات مثل MIMIC-IV وeICU وPhysioNet 2012 أن ReTAMamba يفوق الأداء القوي للأهداف السابقة، حيث سجل متوسط مكاسب نسبية بلغت 7.51%، 7.80%، و10.15%.

أيضًا، كشفت التحليلات على مستوى المجموعات والمستوى الفردي في eICU أن الانخفاض المتوسط لمؤشرات الإشارات الديناميكية مثل معدل ضربات القلب وضغط الدم كان أعلى بنحو 24.3% مقارنة بالإشارات الثابتة كمتغيرات الاختبار المعملية.

تشير هذه النتائج إلى أن النجاح في التنبؤ بالسلاسل الزمنية السريرية غير المنتظمة يتطلب نمذجة ما تم قياسه، وأيضاً متى وكيف تم ملاحظته، مع الأخذ بعين الاعتبار جودة المعلومات وآنية الملاحظة.