La predicción del desarrollo futuro de enfermedades basada en registros de diagnósticos pasados ha ganado una atención significativa debido a la creciente conciencia de salud entre las personas. Los métodos recientes basados en aprendizaje profundo han predicho con éxito el desarrollo de enfermedades al establecer relaciones para cada registro de diagnóstico y extraer características de los diagnósticos pasados de un paciente en orden cronológico. Sin embargo, la mayoría de estos modelos han ignorado las conexiones entre enfermedades identificadas y enfermedades de bajo riesgo, lo que ha llevado a cuellos de botella y limitaciones. Además, la extracción de características temporales también se ve obstaculizada por el problema del olvido de características globales. Para abordar estos problemas, proponemos una red consciente del contexto global que utiliza el razonamiento sobre relaciones de enfermedades y la fusión de características basada en atención, abreviada como DRR. Nuestro modelo incorpora un módulo de razonamiento sobre relaciones de enfermedades que mejora la atención del modelo sobre la relación entre enfermedades confirmadas y enfermedades de bajo riesgo, aliviando así los cuellos de botella del modelo actual. Además, hemos establecido un módulo de fusión de características basado en gráficos globales que integra características basadas en gráficos globales con características temporales, mitigando el problema del olvido de características globales. Se realizaron experimentos extensos en dos conjuntos de datos públicos, y los experimentos muestran que nuestro método logra un rendimiento avanzado.