随着互联网技术在健康领域的广泛应用,患者电子病历数据系统得以快速推广,短时间内积累了大量的电子病历数据,这些数据隐含许多具有实用价值的信息。对患者电子病历进行数据分析和挖掘,成为健康领域研究热点之一。因此建立基于患者电子病历的个性化药物推荐模型,通过患者的就诊信息推荐其所需药物,辅助医生进行诊断,具有重要的研究意义和应用价值。为了提升药物推荐模型的推荐效果,主要研究内容如下:基于患者电子病历的复杂性和时序性,提出了一种结合图注意力增强和时序神经网络的药物推荐辅助模型GA-2DGRU来构建每个患者的时间依赖信息和结构相关信息,主要进行以下优化:1)利用患者就诊期间临床事件之间的相关性,将原始EHRs数据当作基于图形的序列。将药物推荐问题转换为基于图结构数据和数据时间相关性进行建模和推荐的任务。2)通过图注意力网络提取患者数据中结构相关性,同时利用时间更新模块来学习患者多次就诊间的时间依赖关系。3)使用注意力机制替换GRU中的Update Gate,避免出现关联度为零的向量影响GRU的学习过程。在数据集MIMIC-III上将模型GA-2DGRU和基线模型进行了对比分析实验。经过五折交叉验证,GA-2DGRU在Jaccard、F1和AUC指标的波动为0.4719～0.4972、0.6359～0.6581、0.7198～0.7468。同时模型GA-2DGRU在Jaccard指标的最好成绩比其他对比模型LR、LEAP、RETAIN、PREMIER分别高出0.0764、0.0955、0.0351、0.0237;在F1指标的最好成绩比其他对比模型LR、LEAP、RETAIN、PREMIER分别高出0.079、0.1062、0.0330、0.0332;在AUC指标的最好成绩比其他对比模型LR、LEAP、RETAIN、PREMIER分别高出0.0511、0.1756、0.0488、0.0314。验证了本模型GA-2DGRU结合图注意力神经网络和时序神经网络后,能够在进行针对患者进行个性化推荐时捕捉EHR的固有结构和时间特征。最后模型针对不同患者的电子病历数据,有针对性的向医生推荐其合适的药物列表,实现个性化药物推荐。同时对模型进行实际应用探索,将其整合到医疗辅助系统中的药物推荐模块,验证了模型的可用性。图30幅;表15个;参55篇。