脑血管病由于其病发率高、病死率高、致残率高、复发率高以及经济负担大这五大特征,引起社会各界的广泛关注。数据显示,目前我国脑血管病的复发率位居世界首位,大约60%的患者具有疾病再次复发的风险,相较而言青年患者病发率更高。由此可以看出脑血管病的二级防治是尤为重要的,也是目前医疗领域的主要研究方向。采用数据分析技术,结合深度学习算法,挖掘潜藏在医疗数据中的有效信息,并用其预测疾病的未来发展趋势,有针对性地提前做好疾病的预防工作,推动脑血管病的“防、治、管”的工作体系,实现健康管理的医疗模式。基于以上背景,为提高脑血管病二级预防的医疗水平,本文将从医疗数据的适用性出发,结合中国卒中登记数据(CNSR1)的数据特点和医学量表构建脑血管病复发预测指标体系,在此基础上,基于深度信念网络(DBN)可以快速提取数据特征以及极限学习机(ELM)学习速率快,泛化能力强的特点,构建了基于DBN-ELM的脑血管病预测模型,实现复发风险等级划分的目的,并在此模型基础上引入粒子群算法提高模型的稳定性和运行效率。本文的主要研究内容如下所示:(1)脑血管病复发预测指标体系的构建。首先分析了目前关于脑血管病复发预测的诊疗流程以及存在的问题,分析了引入预测模型的必要性。通过分析国内外现有的医学量表,如:CHADS2量表、ABCD2评分系统以及ESSEN量表等,结合国内外学者在脑血管病复发因素方面的研究成果,进行了指标的筛选,最终得到包含7个一级指标和30个二级指标的脑血管病复发预测指标体系。(2)脑血管病复发预测模型的构建和验证。根据脑血管病的数据特点,结合DBN模型和ELM模型的优势,构建基于DBN-ELM的脑血管病复发预测模型,并选用粒子群算法(PSO)提升模型的训练速度和稳定性。利用某三甲医院云平台中收集到的全国脑血管病中的脑卒中疾病数据,进行模型的验证和对比分析,结果显示,DBN-ELM预测模型的准确率高于DBN模型7%,且远高于机器学习预测模型(SVM、Adaboost和Random Forest),并且训练时间更快,F1值差别不大,AUC值要略高于DBN模型,因此可以说明本文提出的脑血管病预测模型是有优势的。(3)脑血管病复发预测系统的设计与实现。依据本文构建的模型,采用Java技术设计并实现一个脑血管病复发预测原型系统,最后针对不同患病风险的人群提出了不同的干预策略,以期能够帮助患者做好自我管理和预防,同时能够帮助医生提前针对不同等级患者采取不同治疗方式,从而达到辅助医生诊疗的目的,为医疗领域的疾病预测研究提供新思路的目标。