本研究は、異種の電子健康記録（EHR）データを用いて臨床リスクを分類するためのトランスフォーマーベースの縦断的モデリング手法を提案しています。この手法は、医療情報の多様なソースを入力とし、構造化データと非構造化データを統一的に表現するための特徴埋め込み層を用います。また、均等でないサンプリング間隔における動的な進化を捉えるための学習可能な時間符号化メカニズムが導入されています。モデルの中核には、多頭自己注意構造が採用され、長期的トレンドと短期的変動を異なる時間スケールで集約するグローバル依存性のモデリングが行われます。さらに、重要な医療イベントに適応的な重みを割り当てる意味的重み付けプーリングモジュールが設計され、リスク関連特徴の識別能力を向上させています。実験結果は、提案されたモデルが従来の機械学習や時間的深層学習モデルを上回る精度を持ち、多元的な異種EHR環境におけるリスク識別を安定的かつ正確に行うことを示しています。