随着医疗行业和信息技术的不断发展,电子健康记录(EHR)系统得到广泛应用,积累了大量的医疗数据,数据中包含了有价值的信息。研究人员可以通过对EHR数据的分析构建预测方法,使EHR系统的医疗服务更加智能和高效。但在EHR数据集上进行临床事件的预测面临许多挑战,比如医疗数据格式混杂、维数高、相关字段缺失等问题。另外,以前的研究方法主要使用传统的机器学习方法,严重依赖于手动提取特征,需要花费大量的时间和精力。除此之外,深度学习模型还缺乏可解释性的问题。为了解决这些挑战,提出了基于循环神经网络(RNN)两种预测方法,论文的主要研究内容如下:(1)针对EHR数据的高维、时间依赖性等问题,提出了基于Attention-LSTM住院死亡率预测方法。首先,使用word2vec中的skip-gram方法对EHR中患者的诊断代码(ICD-9)进行向量化表示,然后将生成的向量输入经过训练的改进的长短期记忆神经网络(LSTM)中,并且结合注意力机制预测患者的死亡率。在MIMIC-III数据集上进行测试,实验结果表明,与其他方法相比提出的方法得到了更准确的预测结果,并对实验过程中产生的权重进行分析,证明了添加注意力机制的重要性。(2)针对患者医疗数据之间的相互关联的特点,提出了基于双向长短期记忆神经网络(BiLSTM)的临床事件预测方法。首先,使用doc2vec中的skip-gram方法对EHR中的诊断代码进行向量化表示,将生成的向量输入BiLSTM中,并结合注意力机制计算每个诊断代码的权重,然后再输入到BiLSTM中,结合注意力机制计算每次诊断的权重,最后预测患者的死亡率和疾病诊断代码。BiLSTM的优势在于可以为输出层提供输入序列中每一次诊断的完整的过去和未来的上下文信息,就像医生在为患者诊断时要查看病人以前的诊断记录,可以更好的对病人的病情诊断。最后,在MIMIC-III数据集上进行测试,实验结果表明所提出的方法可以得到更为准确的预测结果,并在可视化中证明了模型的可解释性。