この記事では、電子健康記録や医療登録からの臨床時系列データを活用するための新たな生成モデリングフレームワークを提案しています。このフレームワークは、潜在的な神経確率微分方程式（SDE）に基づき、臨床時系列を基礎となる制御された確率的動的システムの離散時間部分観測として捉えます。提案されたアプローチは、疎なサンプリングや複雑な潜在生理学、測定および病気の進行に伴う不確実性を考慮し、変分推論を通じて状態推定とパラメータ学習を行います。具体的には、シミュレーションによる肺癌の治療効果推定や、12,000人の患者からの重症患者ケアデータを用いた生理信号の確率的予測に適用した結果、提案モデルは従来のモデルよりも高い精度と不確実性評価を達成しました。この成果は、医療意思決定を支援するための精密かつ不確実性を考慮した予測の可能性を示しています。