针对心衰合并急性肾损伤的预测可以辅助医生制定合理的诊疗方案,降低患者发生心衰合并急性肾损伤的风险,改善患者预后,降低社会医疗支出。随着医疗信息化的发展,海量电子健康病历（Electronic Health Records,EHRs）得以累积和应用,为数据驱动的心衰合并急性肾损伤预测方法提供了条件。数据驱动的心衰合并急性肾损伤预测方法充分利用了EHRs中的患者信息,反映真实的临床环境,方便纳入新的风险因子。然而,单一临床中心数据驱动的心衰合并急性肾损伤预测方法仅适用于特征分布相似的患者,无法克服多中心临床数据集的分布偏差,缺乏临床实践的可推广性,因此无法适用于多个国家和地区的患者。多中心临床数据驱动的心衰合并急性肾损伤预测方法能提取不同环境的患者的共同特征,从而提高预测性能,支持临床决策。因此,多中心临床数据驱动的心衰合并急性肾损伤预测方法的权威性、可推广性更强。然而,多中心临床数据驱动的研究方法仍存在不少挑战,例如:1)不同环境的患者特征差异较大,难以提取潜在的共同特征;2)现在的预测模型尚未充分利用心衰合并急性肾损伤相关的医学知识,患者特征语义不够丰富。针对以上挑战,本论文提出了一种基于知识感知的心衰合并急性肾损伤预测方法。首先,为了提取来自不同临床中心的患者的共同特征,本论文提出了一种基于对抗学习的特征提取方法。该方法通过生成对抗网络提取不同临床中心患者的潜在共同特征,从而预测心衰合并急性肾损伤事件。之后,本论文构建了心衰合并急性肾损伤相关的知识图谱,融合现有的医学知识,丰富患者样本信息语义,结合对抗学习来提取多中心患者的共同特征,进一步提高了多中心临床数据驱动的心衰合并急性肾损伤预测性能。本论文通过从国内某三甲医院收集的5,075份心衰患者的电子健康病历和从MIMICIII收集的1,006份心衰患者的电子健康病历对所提出的心衰合并急性肾损伤预测方法进行评估,评估结果表明:1)基于对抗学习的预测方法能较好地提取多中心数据的潜在共同特征,比传统机器学习算法更适合预测不同临床中心患者的心衰合并急性肾损伤事件;2)基于知识感知的预测方法将心衰合并急性肾损伤相关的知识图谱纳入模型,充分利用现有的医学知识,丰富患者特征语义,有效提高多中心患者发生心衰合并急性肾损伤的预测性能。本论文提出的多中心临床数据驱动的心衰合并急性肾损伤预测方法的性能显著优于现有的机器学习模型,有效提取了多中心患者的潜在共同特征,充分利用了知识图谱的医学信息,为多中心临床数据驱动的疾病风险预警研究提供了新颖的研究思路和技术手段。