病人出院后计划外的再次入院（简称再入院）是医疗保健系统成本的主要来源,通常被视为医疗保健质量和医院绩效的指标。患者出院后再次入院不仅会使患者面临一些医院获得性感染,还会加重患者及其家属的经济负担,提高护理成本,因此医院再入院率已成为医疗保健研究者关注的关键问题。计划外再入院风险的量化和早期识别将有利于改善患者住院期间的护理质量,减少患者和医院的经济负担,减轻病人的痛苦。目前已经有大量的再入院预测的研究工作,但大部分工作都是基于结构化数据,忽略了非结构化的临床文本中潜在的有价值的信息。针对当前再入院预测研究中未能充分利用非结构化临床文本的问题,本文提出一个基于非结构化的出院摘要的再入院预测方法。该方法首先利用预训练模型将序列的出院摘要转换成向量表示,然后利用双向的LSTM（Long-Short Term Memory RNN）进一步提取出院摘要中的语义信息,最后对提取的特征进行分类。该方法可以学到出院摘要的深层语义知识,这对再入院预测等临床预测任务很有价值。我们的模型还能对不同时间窗口的再入院进行预测,并且如果医院在病人入院期间更新了患者的住院信息,我们的方法还能动态的更新患者再入院的风险。最后,在MIMIC-III数据集上的实验证明我们的方法相比较于其他再入院预测方法在AUROC（Area Under Receiver Operating Characteristic Curve）和AUPRC（Area Under Precision-Recall Curve）上都取得了最优的效果。针对当前大多数再入院预测研究都是基于结构化数据忽略了非结构化临床文本信息的问题,我们提出了融合EHR（Electronic Health Record）非结构化数据的集成多模态数据的再入院预测方法。该方法首先需要利用Doc2Vec对非结构化的临床笔记进行处理,将其处理成篇章级的向量。对于结构化的静态信息,采用静态信息编码器将其编码成向量。对于结构化的时间信号,针对机器学习不能直接对时间序列数据进行处理的问题,本文采用聚合的方式将其处理成向量表示。然后将三种向量融合在一起组成患者表示,输入到集成机器学习模型进行分类。最后,在MIMIC-III数据集上的实验显示,融合多模态数据的再入院预测方法在AUROC和AUPRC上都取得了比单一模态数据更好的结果。同时在住院时长预测和院内死亡率的预测任务上的结果表明,该方法还具有很强的可移植性。