机器学习有着出色的建模预测能力,已经逐渐深入到各行各业中,并在医疗健康领域也有着广泛的应用研究价值。随着人口老龄化的加速,慢性病的发病率急剧增加,给患者造成了持续且严重的健康负担和经济负担。采用机器学习方法进行慢性病健康风险预测研究,可以给医院管理者提供决策支持、给予患者健康引导和疾病风险警示,具有重要的现实意义。围绕慢性病健康风险预测,本文开展了以下三个方面的研究:（1）研究了基于Stacking集成学习的心血管疾病（Cardiovascular Diseases,CVD）每日入院量预测方法。在数据采集中,除了考虑CVD入院量,还纳入了气象和空气污染物等因素;然后进行了特征工程并使用序列浮动向前选择（Sequential Forward Floating Selection,SFFS）算法进行特征选择;最后采用直接预测策略构建了一个Stacking集成模型并和基学习器进行对比。结果表明,SFFS能够显著地减少特征维数并且提高模型训练效率,所提出的Stacking模型在三个数据集上,所有评价指标中,均优于基学习器。（2）研究了慢性病患者入院时长（Length of Stay,LOS）预测方法,提出了一种基于网络分析及机器学习的建模框架去预测LOS。针对疾病,构建了多病网络（Multimorbidity Network,MN）去表示疾病间复杂的影响关系并提取了MN特征;针对患者,构建了患者相似性网络（Patient Similarity Network,PSN）并从中提取邻居的LOS信息作为PSN特征。最后构建了多个机器学习模型并对各个特征子集进行效果对比。结果表明,所提出的MN特征和PSN特征能够显著提高模型预测效果,MN和PSN特征的重要性占比超过了50%,证明了网络特征对LOS预测的有效性。（3）研究了高血压患者疾病风险预测方法,提出了一种端到端的图注意力疾病预测（Graph Attention Disease Prediction,GADP）模型去自动学习疾病间复杂的影响关系并对高血压患者的疾病风险做出预测。首先构建了患者-疾病二部图;然后分别提取了患者特征向量和疾病特征向量。最后构建了GADP模型并和链路预测模型进行对比。结果表明,所提出的GADP在各个评价指标上均表现最好,对于历史患病较少的患者,GADP也有出色的预测效果。