人工智能关键技术的突破,数据存储技术的发展,以及国家政策的支持为医疗健康大数据挖掘提供了可发力的深厚基础。其中,智能化的治疗用药决策支持可以辅助医生更加高效地选择和制定有益于患者的最佳治疗方案和用药组合,进而更好的缓解医疗资源与现实需求不自洽的现状。但由于临床实际场景需求的特殊性以及多源异质性临床电子病历数据的多元复杂相关性,仍然存在着较多具有挑战性的问题亟待解决,包括如何有效处理多源异质序列数据间的序列交互时变性、如何构建多任务场景需求中的任务层级相关性、如何建模异质性电子病历数据多层级结构级联因果相关性、如何有效挖掘多源医疗领域知识中隐含的医学编码多元相关性等。针对以上问题挑战,本文研究围绕患者就医全周期不同临床场景对于治疗用药辅助决策需求展开,探究了多源异质性临床电子病历数据复杂多元相关性的有效挖掘方法。本文的主要内容可以概括如下:1.针对初次入院患者需动态治疗干预的临床场景,面向场景中异质性电子病历数据中序列交互时变性挖掘问题,本文提出了一种双自适应序列学习网络用于药物预测。该网络以长短时记忆网络为基础,首先通过分解自适应学习网络利用上下文融合模块为交互序列构建辅助输入,然后构建元学习网络为其提供动态参数权重以构建序列间的序列交互时变相关性,同时捕捉序列内的时间相关性,最后通过基于注意力的全局信息融合网络根据多源数据嵌入表示与治疗药物的相关性程度将其融入到病人表示中,以预测下一阶段的治疗药物。在公开数据集上的实验结果表明所提出的端到端药物预测算法能有效挖掘该临床场景下电子病历数据的多元相关性,进而通过消融实验验证了算法子结构的关键作用。2.针对已出院患者需主动备药应对未来疾病复发风险的医疗场景,面向场景中临床预测任务层级相关性的挖掘问题,本文提出了一种关系增强型层级多任务学习网络用于药物预测。该网络基于电子病历数据中治疗药物和诊断疾病间的层级因果相关性,首先通过医学编码关系嵌入模块中的多头注意力网络去捕捉医学编码间的相关性,然后在药物推荐模块中通过关系感知型长短时记忆网络挖掘治疗用药序列和疾病序列间的相关性,同时利用伪残差结构实现信息的跨层传递,最后分别利用疾病层级的患者表示和药物层级的患者表示分别预测未来疾病并推荐治疗药物。在公开数据集上的实验结果表明,本文所提出的关系增强型层级多任务学习方法相比于单一任务和传统多任务学习方法可以有效挖掘并利用任务层级相关性,实现疾病主动预防的决策支持。3.针对再入院患者需要综合评估病情变化后给予用药预测的临床场景,面向场景中电子病历数据多层级结构中隐含的级联因果相关性的挖掘问题,本文提出了一种多层级选择性和交互性网络用于药物预测。该网络基于电子病历数据中类似于治疗路径的多层级结构,首先通过交互式长短时记忆网络不仅可捕捉辅助序列对于主序列历史信息融入的影响,还可捕捉对于主序列当下输入的影响,从而有效增强级联序列间的交互作用;然后通过基于稀疏注意力的选择模块重点关注与预测任务更相关的信息,减弱或忽略次要信息,以达到降低无关特征噪声的影响;最后通过基于注意力的全局性选择融合模块根据多源异质序列嵌入表示与预测药物的相关性计算综合性患者表示,以预测患者当前治疗药物。实验结果表明本文所提算法在多个评价指标上均优于已有的预测算法或推荐算法,可更好的捕捉电子病历数据多层级结构的因果相关性并削弱噪声影响。4.针对多专家对患者进行联合会诊的临床场景,面向场景中多专家所体现的多源医疗知识中隐含医学编码多元相关性的挖掘问题,本文提出了一种基于多层级图对比学习的多源知识增强网络用于药物预测。该网络基于以多专家所具备的多源医学知识包括医学领域知识和医学先验关系,首先通过基于医学领域本体图的无监督图对比学习方法去捕捉医学编码间的隐性相关性,然后通过基于医学先验关系图的无监督图对比学习方法去捕捉医学编码间的显性相关性,可分别得到知识增强型和关系增强型医学编码嵌入表示;最后通过下游的治疗药物预测网络将增强型医学编码嵌入表示与监督型医学编码嵌入表示结合后输入到序列学习网络中,以捕捉医学编码序列间的时间相关性。实验结果表明本文所提方法通过挖掘医学领域知识中的医学编码间多元相关性得到相比现有本体知识图增强算法更优的药物预测性能,可更有效的辅助医生进行治疗用药临床决策。本研究在理论方面,面向电子病历数据的多源异质性、交互时变性、级联因果相关性等数据间的复杂多元相关性挖掘,提出了双自适应序列学习网络、关系增强型层级多任务学习网络、多层级选择性和交互性网络以及多源知识增强网络等四种算法。在应用方面,提出的算法可根据患者就医全周期下不同时间维度,分别为医生提供特定于临床场景需求的综合性治疗用药决策辅助。