医疗保障和服务关系着人民生命健康安全,高效便捷的医疗诊断模式和医疗服务水平是国家经济发展的重要体现。互联网技术的发展和成熟推进了医疗行业信息化的高速发展。目前我国现有医疗服务中仍然面临着数据资源未有效开发、医疗资源未合理配置、智慧化水平不高和诊疗决策不科学等问题。因此采用新兴技术对已有数据资源开发利用并提升临床诊疗效率以及促进科学化、智慧化诊断成为社会关注的焦点和重要研究发展方向,且具有重大的社会意义和现实意义。本文基于粗糙集理论围绕疾病诊断前的医疗检查项目推荐、诊断中的智能辅助疾病风险预测以及诊断后的治疗方案选择等三个场景展开具体研究,考虑了这三个诊断场景中存在的问题和使用已有方法的局限性,并结合机器学习、推荐技术、三支决策和多属性决策等方法对已有方法和模型进行创新研究,有效解决上述三个场景面临的问题。在疾病诊断前经常存在医疗资源配置不合理的情况,故本文提出了医疗检查项目推荐方法。但在该推荐场景中存在推荐项目多准则和不同准则之间数据类型不一致的情况,而已有的推荐研究大多是基于单评分推荐,且应用已有的多准则推荐具有一定的局限性。针对上述问题本文融合混合属性信息粗糙集、三支推荐以及灰色关联分析等方法构建了多准则三支医疗检查项目推荐模型。运用混合属性信息粗糙集中不同类型数据的距离测度解决了子准则数据类型不一致问题。运用灰色关联分析方法计算目标对象的灰色关联度作为推荐项目的总体评分,解决了多准则推荐中如何计算项目总体评分的问题。最后采用协同过滤推荐和三支推荐方法实现对未评分项目的评分预测进而实现项目推荐。最后采用临床数据对该方法进行验证,实现对检查项目的个性化推荐。在疾病诊断过程中利用患者医学数据早期识别和判断疾病患病风险,既便于患者尽早预防和制定精准治疗策略,又能够辅助医生进行科学化诊断,有效提高诊疗效率,提升诊断的准确率。考虑到患者医学数据中存在数据类型不一致和属性特征冗余的问题,本文在混合属性信息粗糙集的基础上提出了基于正域不变的属性约简算法提取数据中相关性高而冗余性较小的属性特征。此外,三支决策在决策中考虑了决策成本,将信息不充分的对象划分到边界域中延迟决策,提高分类的准确性,降低误分类决策成本,因此本文提出了基于混合属性信息粗糙集的KNN三支分类方法,提高分类器学习能力。最后采用临床实践中的痛风数据对本文提出的方法进行验证,实现对痛风患病风险的智能预测,同时提供医学知识发现。在疾病确诊后,治疗方案的选择是关键和重要的一环。在现有治疗方案选择中往往采用的是医生主导、患者服从的医疗服务模式,这种模式往往只考虑了医生的主观意见,忽略了治疗方法选择中的疗效、成本、不良反应等诸多方面的影响因素。此外,治疗方案的评估准则往往具有多种刻度方式,不仅仅是单一的数字刻度。并且在治疗方案选择中决策者具有强烈的损失厌恶和损失规避心理。因此本文提出了融合混合属性信息粗糙集和TODIM的治疗方法选择模型,考虑了决策者的心理行为,解决了评估准则中数据刻度多样化的问题,实现对治疗方案的有效选择。本文基于诊断前的医疗检查项目推荐、诊断中的智能辅助疾病风险预测以及诊断后的治疗方案选择等三个场景展开研究,提出了混合属性信息粗糙集和三支决策,拓展了经典粗糙集的使用范围,并在此基础上融合机器学习、推荐技术和多属性决策等多种方法建立相应的模型,实现诊断全流程的智能辅助和科学化决策,促进医疗服务模式的转型升级。