암 치료 중에 채취된 일상적인 실험실 검사 패널 (Routine laboratory panels)은 장기 기능에 대한 종단적 생리학적 기록 (longitudinal physiological recordings)을 구성하지만, 단일 시점 예측 도구 (single-timepoint prognostic tools)들은 그 시간적 구조를 폐기합니다. 다발성 골수종 (multiple myeloma) 또는 난소암 (ovarian cancer) 환자 3,905명으로부터 얻은 2,777,595개의 실험실 측정값을 학습한 트랜스포머 (Transformer) 모델은 치료 관련 골수이형성 증후군 (therapy-related myelodysplastic syndromes)을 포함하여 8개의 임상 범주에 걸친 162가지 치료 관련 합병증의 2년 내 발생을 예측하였으며, 그룹 수준에서 유병률 대비 1.5배에서 6.1배의 농축 (enrichment)을 달성했습니다. 이 모델은 그룹화된 종점 (grouped endpoints) 전반에서 비순차적 베이스라인 (non-sequential baselines)과 대등하거나 이를 능가하는 성능을 보였으며 (AUROC 최대 +0.11 상승), 종단적 실험실 궤적 (longitudinal laboratory trajectories)이 개별 측정값으로는 접근할 수 없는 진화하는 합병증 특이적 생리학 (complication-specific physiology)을 포착한다는 것을 입증했습니다. 예측은 두 암종 모두에서 일반화되었으며, 차이는 질병 특이적 합병증에 집중되었고, 바이오마커 마스킹 (biomarker masking)을 통해 확립된 병태생리학 (pathophysiology)과 일치하는 시그니처를 복구했습니다. MIMIC-IV 및 MMRF CoMMpass에 대한 외부 검증 (External validation)을 통해 독립적인 의료 시스템 간의 전이 가능성 (transferability)을 확인했습니다 (AUROC 최대 0.85). 일상적인 종양학 실험실 데이터는 임상적 발생 몇 주 전부터 몇 달 전까지의 장기 악화를 암호화하여, 추가적인 검사 인프라 없이도 합병증 특이적 감시 (complication-specific surveillance)를 가능하게 합니다.