随着近年来人工智能的日益发展,通过深度学习辅助临床诊疗决策研究一直是医疗领域的热点,它在医疗大数据中主要用于医学影像识别、电子病历解析、基于基因组学的精准医学研究以及临床决策支持系统等方面。采用临床表现的疾病预测模型是临床决策支持系统一个重要研究内容,本文基于层次注意力机制的深度神经网络对临床数据集进行特征分析,将临床病例作为样本,把真实世界的复杂数据从高维空间表示转换成低维向量,再采用统计分析、建立神经网络等方法建模得出疾病预测结论,并尝试对模型的“可解释性”进行分析,主要研究工作如下:（1）为了开展真实世界的临床研究,首先通过数据集成等技术对国内三甲医院现有信息系统数据资源进行了整合,包括对院内临床信息系统分类及数据结构分析、建立数据索引及公共数据模型,形成了面向专病（急性肾损伤）的轻量级数据仓库。随后提出了一种基于混合时序的多尺度卷积神经网络预警模型,以急性肾损伤为例对临床疾病预警展开了实证研究,在技术方法上改变了传统医学统计学上对疾病采用横断面的研究方式,将与疾病关联各项危险因素的不规则临床数据和不同患者的时序信息作为索引数据与疾病预测相结合,从而提高疾病预测的准确度。（2）研究针对（1）所提出模型在存在床旁数据冗余、关键指标丢失、数据采样频次不同等问题的不足,创新性提出将层次注意力网络模型用于基于生理指标的时间序列危急重症预警,使模型具备对复杂数据结构的自适应性,实验在预测准确率上相较于前一模型得到了提高,更加实用。与此同时,研究通过对模型添加可解释组件（Interpretable Layer）,将训练过程中产生的中间项与实际患者生命体征渐变过程相结合,标注出哪些指标对患者的治疗过程较为重要,从而对模型的可解释性进行了实证研究,实验证明该模型相较于其他深度学习模型具有良好的可靠性。（3）研究采用真实世界的临床数据搭建研究平台、并使用当前流行的数据挖掘组件,提出的方法真实有效,主要内容包括:用Sql sever对医院现有系统进行数据整合;采用python中的tensorflow/Pytorch等第三方深度学习开发包编写代码,为医疗人工智能在医院信息系统的实际应用奠定了基础。