임상 시계열 데이터의 잠재적, 시간 변화 의존성을 포착하는 것은 어려운 과제입니다. 본 논문은 특징 상호 작용의 명시적, 시간 전개 그래프를 구축하는 해석 가능한 딥 러닝 프레임워크인 $\textbf{Chain-of-Influence (CoI)}$를 제안합니다. CoI는 영향 경로 추적을 가능하게 하여, 시간 경과에 따라 임의의 특징이 최종 예측에 직접적으로 그리고 다른 변수에 미치는 영향을 통해 어떻게 기여하는지 보여주는 세분화된 감사 추적을 제공합니다. MIMIC-IV 데이터 세트와 만성 신장 질환 코호트를 사용하여 사망률 및 질병 진행 작업에 대해 CoI를 평가했습니다. CoI는 CKD 진행에 대해 0.960, ICU 사망률에 대해 0.950의 AUROC를 달성하여 최첨단 예측 성능을 보였습니다.
