电子健康记录(Electronic Health Record,EHR)是患者的病史、诊断、药物、治疗计划和放射图像等数据集合。因此,通过挖掘EHR中的信息来改善患者的医疗保健计划非常有价值。然而,由于EHR的不规则性和稀疏性,面向EHR的研究面临许多挑战。近年来,随着深度学习技术成功应用于医学信息领域,EHR的分析效果显著提升。论文总结和分析了现有面向EHR的分析预测方法,针对现有方法不能有效挖掘患者EHR中多次就诊记录间的时序特征,不能挖掘EHR中影响患者患病的关键因素等缺点,提出了两种基于改进长短期记忆网络(Long Short-Term Memory,LSTM)的预测方法,预测患者住院期间的死亡事件和患病类别。论文的主要工作和创新点概括如下:(1)提出了一种基于改进长短期记忆网络的患者住院期间死亡事件预测方法。首先,从MIMIC-III数据库中提取患者住院期间的医疗诊断代码(Classification of Diseases,ICD-9),并计算连续出现的诊断代码的权重以体现历史诊断的影响,接着归一化加权后的诊断代码,并以此作为LSTM的输入。其次,通过改进的LSTM学习患者的加权诊断代码矩阵。最后,设计了一种有效的训练策略,以训练LSTM预测住院期间患者的死亡事件。实验表明,与其他方法相比,提出的方法不仅有效地提高了死亡事件预测精度,而且减少了计算时间。(2)提出了一种基于注意力机制双向长短期记忆网络的疾病类别预测方法。首先从MIMIC-III数据库提取出患者住院期间的各项生理数据和检测指标,并作为双向长短期记忆网络的输入,然后通过结合注意力机制的双向长短期记忆网络学习患者的表示向量,最后预测患者住院期间所患疾病类别。实验表明,与其他方法相比,所提出的预测方法有效地提高了疾病类别预测的精度。