医院每天都会接收大量病人,随之产生的是海量的电子病历(Electronic Medical Record,EMR)。电子病历通常包含半结构化或者非结构化的图像和文本,是一种非常宝贵的、值得挖掘和利用的资源。随着人工智能技术的发展,智慧医疗已经成为当前医学领域中的重要研究内容,医疗信息成功完成了由纸质病历到电子病历的转变,基于电子病历的研究也得到了快速发展。电子病历在数字化医疗研究中具有重要意义,一方面,电子病历可以作为辅助信息支持医生的临床决策,避免依据经验的判断失误;另一方面还可以帮助构建在线问诊平台,通过处理患者对病情的描述进行疾病预测和对症下药。但是由于电子病历的信息繁杂多样且专业术语较多,包含许多非结构化文本信息,人们想从中获取所需的信息具有一定难度,并且电子病历中的非结构化文本信息不便于存储,使其不能得到充分地利用。知识图谱作为一种语义网络技术,将真实世界中各种事物之间的联系转换为实体和关系描述,它的提出为结构化存储和充分利用电子病历提供了一种优秀的解决方案。由于现有研究对电子病历的利用大多数只抽取命名实体或者分别抽取实体和关系,割裂了实体和关系之间的联系,并且抽取准确率还有提升空间。预训练模型对于提高自然语言处理下游任务的准确率方面具有较好表现,因此本文针对中文电子病历提出一种基于预训练模型的实体关系联合抽取方法。此外,目前基于电子病历的研究通常过于侧重信息抽取,而忽略了实用成果和实际临床应用,所以本文在实体关系抽取的基础上进行了知识图谱构建和疾病预测的应用研究。本文通过分析电子病历的结构及语言特点,提出一种基于预训练模型的实体关系联合抽取方法,结合BIO标注法+类别+关系进行实体关系联合标注,基于现有的深度学习方法进行研究,提取出相关信息,并组成三元组导入Neo4j图数据库中,构建以疾病为中心的知识图谱,清晰地表示出疾病和症状之间的关系,进一步优化医生的工作。同时,基于构建的知识图谱计算疾病与症状之间的影响因子,有助于辅助预测疾病和构建在线问诊平台。实验表明,基于电子病历的知识图谱的研究有助于医学知识的抽取,并且对于智慧医疗的发展具有一定的辅助意义。