智能医疗借助于人工智能、物联网等技术,旨在实现医疗个性化、移动化。近年来通过电子健康记录预测潜在疾病的风险引起了人工智能领域的广泛关注,基于机器学习的疾病预测方法成为个性化医疗发展的核心研究课题。随着深度学习算法的发展,与传统的机器学习模式相比,在风险预测任务中,基于深度学习的方法能取得较好的效果。然而,现有的工作中较少考虑到先前的医学知识,如疾病与相应危险因素之间的关系。患者电子健康记录(Electronic Health Records,EHR)数据包括随时间推移的就诊序列,其中每次就诊包含多个医疗代码,包括诊断、用药和程序代码。因此,如何处理连续且高维的EHR数据,并将已有的医疗规则整合到现有的风险预测模型中以提高预测精度成为智能医疗面临的两大问题。为了应对以上挑战,本文将作如下研究:第一,针对高维EHR数据,本文采用双向循环神经网络来记忆过去和未来访问的所有信息,并引入三种注意力机制来衡量不同访问之间的关系进行预测。通过实验证明提出的方法对高维数据能进行有效的低维处理。第二,为了提高风险预测的准确率,本文提出了一种新的、通用的框架,称为风险预测任务PRIME,它可以使用后验正则化技术成功地将离散的先验医学(PRIor MEdical)知识应用到预测模型中。第三,使用神经网络自动设置每一条先验医学知识的边界值,用于模拟患者目标疾病的所需分布。所提出的风险预测基于机器学习的RIME框架可以通过对数线性模型自动学习不同先验知识的重要性。实验表明所提出的框架与传统机器学习、神经网络方法比较,在三个真实医学数据集上对提高风险预测任务的准确率都有明显改进。