肌少症是一种由肌肉力量、肌肉质量和躯体功能共同衡量的老年综合征,能够极大削弱老年人的独立性,进而引发多种不良结局。本文针对当前肌少症面临的发病机制不明确、诊断标准不统一和无有效治疗药物等问题,基于机器学习技术开展老年肌少症计算机辅助决策研究,为肌少症的危险因素分析提供新的手段,建立肌少症患者预后预测和治疗方案推荐模型,设计实现老年肌少症辅助决策系统,提高医生诊疗效率,促进肌少症的精准防治。论文主要工作如下:1.针对肌少症涉及因素多且缺乏考虑因素间联合作用的问题,提出一种肌少症危险因素分析方法特征排序特征联合（Feature-Ranking and Feature-Joint,FRFJ）,基于最大相关最小冗余（Max-Relevance and Min-Redundancy,m RMR）、Relief F等特征选择算法构建危险因素排名模块,实现危险因素单独作用分析;提出特征联合（Feature-Joint,FJ）算法构建关键危险因素分析模块,实现危险因素联合作用分析并去冗。UCI数据集和肌少症数据集仿真实验结果显示,握力、步速、5次起坐时间、心力衰竭、SARC-F评分与爬楼梯是肌少症的关键危险因素,其中SARC-F评分与爬楼梯具有联合作用,分类准确率92.15%,F1值94.01%,特异度83.77%。2.针对预后预测模型学习患者群体数据而忽视共性趋势之外患者自身特有情况问题,采用门控循环单元（Gated Recurrent Unit,GRU）与高斯过程（Gaussian Process,GP）结合的混合模型GRUGP实现肌少症预后预测,通过GRU建模患者群体全局趋势,高斯过程建模患者特有个体知识。Physionet Challenge 2012数据集和肌少症数据集仿真实验结果显示,GP使预后预测模型RMSE平均可降低0.070。3.针对治疗方案推荐模型对单一决策准确性的依赖及决策高方差问题,在GRU网络基础上采用双智能体强化学习,提出双智能体门控循环单元神经网络（Dual-Agent Gated Recurrent Unit,DAGRU）。双智能体基于不同的环境选择历史状态,实现网络跳跃连接;利用患者人口统计学信息对网络隐藏状态初始化构建肌少症治疗方案推荐模型。在MIMIC-III数据集和肌少症数据集仿真实验,DAGRU模型的micro AUC、macro AUC和weighted AUC分别达0.8268、0.7802、0.7733。4.采用Java语言,基于Spring Boot等框架,使用My SQL数据库,设计实现老年肌少症辅助决策系统,具备肌少症患者电子病历管理、危险因素分析、辅助诊断和干预等功能,实现老年肌少症患者信息化管理,为医生提供辅助决策。