In de predictieve gezondheidszorg is het doel om behulp van data gedreven modellen ingrepen voor patiënten te plannen voor symptomen of ziekte optreedt. Het bouwen van deze predictieve modellen vereist grote hoeveelheden informatie en data die beschikbaar zijn in de gezondheidszorg, maar nog niet verwerkt zijn in performante predictieve modellen. Door het gebruiken van externe contextuele informatie wil dit werk deze modellen beter sturen voor de complexe beslissing in de geneeskunde. In een eerste contributie worden de gewichtsmatrices in neurale netwerken opgedeeld in hun singuliere waarden ontbinding wat leidt tot meer robuuste neurale netwerken. Vervolgens wordt deze ontbinding gebruikt om op basis van externe context deze neurale netwerk matrices dynamisch samen te stellen met meer performante modellen tot gevolg. In een tweede contributie wordt elektronische patiëntendata gemodelleerd met semantische grafen die gebruikt worden in een nieuwe methode om representaties van deze grafen te maken en te gebruiken voor het voorspellen van mortaliteit op de intensieve zorgen. Finaal worden twee categorieën tot welke beide deze nieuwe methodes behoren besproken en hun respectievelijke performantie voor het modellen van context afhankelijk problemen.