近年来,由于电子病历的不断发展,促进了医疗体系向信息化和智能化的方向发展。电子病历记录了大量患者的就诊信息,包括病程记录、检验检查、医嘱、手术和护理记录等等。诊疗活动预测是根据已经发生的诊疗活动去预测未来的诊疗活动,在临床决策支持、改善护理质量、提供主动预警服务和提高诊疗效率等应用中具有重要的现实意义。然而这些数据具有高维、纵向、稀疏和异构等特点。如何从这些复杂的数据中学习和提取有价值的信息去预测未来的诊疗活动,从而提高医疗服务质量是具有挑战的。诊疗活动预测包括疾病诊断预测、处方预测、终点事件预测、下一时刻活动预测等。本文主要研究诊疗路径中下一时刻诊疗活动预测和后续诊疗活动预测。针对上述问题本文提出了一个诊疗活动预测框架,该框架分为三个部分。第一部分为聚类分析。根据患者的检验信息、检查信息和首次病程信息选取聚类标签。目的为了降低不同患者之间的个体差异和诊疗活动之间的复杂联系。第二部分为对诊疗活动进行词嵌入处理。运用词嵌入方法对患者的诊疗活动进行向量编码,使其能够较好的表达诊疗活动的医学含义,解释活动与活动的内在联系。第三部分为构建基于注意力机制的循环神经网络模型。由于传统神经网络对时间序列数据的预测能力有限,因此,本文提出基于注意力机制的深度神经网络预测模型。该模型由两层循环神经网络组成,同时引入注意力机制,自动学习诊疗路径中诊疗活动权重值。将循环神经网络提取的活动时间序列信息与注意力机制提取的活动权重信息进行整合。可以有效弥补循环神经网络在处理较长时间序列数据出现的信息丢失问题,提高模型的可解释性。本文在北京某三甲医院的脑卒中患者诊疗数据上进行实验,实验结果证明基于注意力机制的循环神经网络模型相比于基准模型具有更好的预测性能。