Los Registros de Salud Electrónicos (EHRs) ofrecen información valiosa para la predicción en el campo de la salud. Los métodos existentes abordan el análisis de EHR a través de técnicas de imputación directa en el espacio de datos o aprendizaje de representación en el espacio de características. Sin embargo, estos enfoques enfrentan las siguientes dos limitaciones críticas: primero, les resulta difícil modelar trayectorias clínicas a largo plazo debido a su enfoque en puntos de tiempo aislados en lugar de trayectorias de salud continuas; segundo, carecen de mecanismos para distinguir de manera efectiva entre características clínicamente relevantes y redundantes cuando las observaciones son irregulares. Para abordar estos desafíos, presentamos un marco neuronal que integra información de trayectorias clínicas en tareas de predicción a nivel de neurona. Emplea una subred auxiliar que modela patrones de visitas futuras para capturar la progresión temporal de la salud, junto con una compuerta de filtrado a nivel de neurona que selecciona de manera adaptativa características relevantes mientras filtra información redundante. Evaluamos en los siguientes tres conjuntos de datos de EHR del mundo real: CDSL, MIMIC-III y MIMIC-IV, demostrando mejoras consistentes en el rendimiento en tareas de predicción de mortalidad y readmisión. Nuestro enfoque ofrece una solución práctica para mejorar las predicciones de salud en entornos clínicos del mundo real con diferentes niveles de completitud de datos.