目前,电子健康记录(Electronic Health Record,EHR)的广泛采用使得科学家们获取大量的临床数据成为可能。一些基于分析EHR数据的相关应用提高了医疗保健的质量,降低了治疗患者的成本。表型分类(Phenotype Classification或者Phenotyping)是一个相对较新但又至关重要的医学信息学问题,它的主要目标是通过分析一系列EHR记录(包括心率,血压等生命体征数据)对患者病情进行分类。随着精准医学成为一种新兴的疾病预防和治疗方法,患者的表型在触发临床决策支持系统、预测未来的卫生资源利用率中也起着重要作用。与此同时,研究界正在寻求越来越先进的深度学习方法,这些方法已经在各个领域的广泛实验中被证明是有效的,并且都优于以前的统计学或机器学习方法。深度学习方法的发展给人类生活带来了重大变化。例如,当前机器翻译器采用端到端编码器-解码器递归神经网络,比传统的基于规则的机器翻译范例更强大。由强化学习算法控制行为的玩家不仅在游戏中打赢了传统严重依赖强力搜索的机器玩家,还战胜了各类游戏领域中的人类大师级玩家。与传统的协同过滤方法相比,作为推荐系统的神经因子分解机能够为用户提供更加个性化的推荐。基于卷积神经网络的模型,例如DenseNet和ResNet,能够比以前大量使用人造特征和专家经验的方法更准确地识别图像和检测物体。为了让技术进步深入造福人类,本论文将基于重症监护病房(Intensive Care Unit)患者从入院到出院的记录,着重关注这些患者的表型分类问题。已有的工作主要依赖于递归神经网络(Recurrent Neural Network,RNN)模型来学习用于分类的时间维度上的健康信息。基于网络内部的递归计算单元能够记住所有历史信息的假设,普遍表达时序数据的做法是利用模型得到的最后一个时刻的隐藏状态向量做后续的运算。然而,该假设过强而且不足以应对包含长时序数据的任务。此外,递归神经网络内的记忆策略不一定能够识别各类表型标签各自关注的关键健康记录。在本论文中,我们提出了一种新的分层递归神经网络,其基于表型标签的注意力机制进行表型分类。我们的目的是通过分层结构记住所有过去的记录从而进行预测,采用的注意力机制会从表型标签的角度出发,从记忆中提取关键信息。据我们所知,这是将分层神经网络应用于临床时间序列完成预测任务的第一项工作。实验表明,我们的模型预测结果的精度会比现有技术更高,同时更高效、结果更具解释性。