随着全球老龄化的日趋严重,共病共存现象已经变得越来越普遍,如今成为对老人生命安全的最大威胁因子。由于共病间可能存在某些内在联系,对于治疗和护理都会带来许许多多问题,因此充分了解慢病间的关联性,患者和疾病的关系等多元信息成为解决共病的关键因素,有利于对共病进行综合诊断和科学的护理。本文基于2015年1月1日至2019年12月31日某区域的二级以上医院住院的病案首页数据信息,为了充分挖掘数据信息,了解疾病间的相关性机制,做了如下工作:1)基于探索性因子分析、K-Means++聚类算法、模糊C均值聚类算法和层次聚类算法探究共病共存模式,并针对性别分层,探究基于不同性别的慢病差异。最终,得出了 5种共病模式,分别是骨骼类:{骨质疏松症、脊椎病、关节病、抑郁症和甲状腺疾患};心血管疾病和代谢类:{代谢紊乱、高血压、动脉粥样硬化、其他血液和造血器官疾病、脑血管疾病、胆囊（胆道）和胰腺疾患、糖尿病、慢性阻塞性肺病和缺血性心脏病、营养不良、肿瘤、肝疾病};肾疾病类:{肾和输尿管的其他疾患、前列腺增生、肾衰竭};退行性疾病:{白内障、脉络膜和视网膜疾患};神经精神类:{器质性（包括症状性）精神障碍、帕金森、阿尔兹海默症、皮肤和皮下组织的其他疾患}。2)基于关联性规则挖掘算法对慢病进行了关联性分析,在不同的聚类簇下挖掘共病对,根据分析结果构建共病网络。簇1的7种疾病中挖掘出32条关联规则,包含33种疾病组合;簇2的6种疾病中挖掘出6条符合条件的关联规则,有11种共病关系;簇3中包含13种疾病,共挖掘到103种慢病组合,79条关联规则。3)基于图神经网络提出了针对慢性疾病的疾病预测模型,本文分别基于图注意力神经网络、异构图注意力网络和改进后的异构图注意力网络模型进行训练调参,最终发现在改进后的异构图注意力网络上的效果最好,预测精确率为0.33,召回率0.42,微F1得分0.3696,宏F1得分0.3671,汉明损失0.4547。本研究利用某区域多个医院的住院病历数据,探究了共病模式,进行关联性分析并构建共病网络并可视化,基于图神经网络训练了慢病预测模型,对慢病的研究有一定的实际意义。