随着当代信息科技的发展,各种人工智能的方法被应用于包括运营管理与医疗等各种领域的研究中。同时随着大数据技术与存储技术的发展,各类活动产生了大量相关数据,因此,对这些海量数据进行挖掘与分析的方法是个值得研究的方向。在实际中,很多病症的临床治疗需要同时用到大量的药物,但多数情况下多种药物共同作用或不良反应未知。以创伤性脑损伤为主要研究病症,梳理了国内外有关创伤性脑损伤病症的研究情况,采用了某医院创伤性脑损伤患者数据进行研究。在挖掘能够降低创伤性脑损伤患者住院时长的单个药物研究中,从一般观察到的现象出发,即病人住院时长越长,某些药物使用频率越高。我们通过穷举法,即根据每个药物在数据集上总体的使用频率排序,利用两类病人的住院时长与是否出院为基本数据进行生存分析。当高频率使用某药物的病人的住院时长显著低于低频率使用的病人住院时长时,认为这种药物能够降低创伤性脑损伤的住院治疗时长。考虑更多的药物时,数据量将呈现指数级增长,穷举法便不再适用。因此我们提出一种基于药物的词向量的有效的挖掘降低创伤性脑损伤的协同使用的多药物的方法。在挖掘能够降低创伤性脑损伤患者住院时长的两种协同使用药物时,利用神经网络进行相应的词向量嵌入,在获得词向量后根据每个病人的住院药物处方形成句向量。利用机器学习中的降维方法与聚类算法,通过生存分析与生存分布的差异找出差异最大的两类中的成对用药的频率差异。对比这两类的用药频率差异的大小,进行排序,利用高频率协同使用两种药物的病患住院时长集合与低频率协同使用两种药物的病患住院时长集合确定能够降低创伤性脑损伤患者住院时长的协同使用的两种药物。最终结果表明,该方法在前3000种协同使用的药物对中挖掘能够降低创伤性脑损伤病人住院时长的准确度相对于随机选择法更高。同时,这些挖掘出的药物也值得临床专家的进一步研究。