基于电子医疗健康记录数据进行再入院预测研究是当今很热的一个医学领域的研究趋势。精准的再入院预测不仅有助于病人了解自己的身体健康情况,指导健康生活行为,还对提升未来的社会公共医疗服务水平和改善国家医保统筹规划情况、降低社会医疗成本具有重大意义和应用价值。医疗健康大数据和人工智能方法的应用,为进行更加精准的再入院预测提供契机。人们提出了很多种基于机器学习进行再入院预测的方法。近年来,随着深度学习的兴起,人们使用深度学习中的循环神经网络或其变体,利用序列化的医疗健康记录进行再入院预测。然而,现有的这些方法大都只是利用病人自己的特征信息进行预测,很少考虑病人之间的潜在关联关系,使得预测效果针对相似人群的鲁棒性并不好,尤其是对于就医历史较短,即病例数据较少的病人很难进行预测。针对病例较少的病人历史数据少而难以预测的问题,利用其他潜在相关病人的特征信息来辅助进行再入院预测,提升预测效果是本文的主要思路。而且,即使是就医历史较长的病人,利用其他相关病人的特征信息来辅助预测也能提升预测效果。基于此思想,本文提出了基于病人与疾病二部图的再入院预测方法。该方法利用二部图建立病人与疾病之间的相关关系,可以表达出病人的历史患病信息以及患同一疾病的病人之间的间接联系,且可以充分利用病人的基本健康信息。该方法首先基于病人的就医记录构建一个病人与疾病二部图,将病人基本健康信息嵌入到病人节点作为其初始特征,将使用本文设计的基于病人就医时序图的医学概念嵌入方法学习得到疾病表示向量作为疾病节点的初始特征。然后,在该再入院预测方法中,设计了一个病人与疾病二部图嵌入生成算法来对构建的医疗二部图进行表示学习,该算法逐层聚合节点邻域信息,最终利用病人节点的聚合信息进行再入院预测。本文使用从多家综合医院收集的病人真实电子健康记录来评估本文提出的方法的有效性,数据包括病人就医历史信息和病人健康检查信息。实验结果表明,与基线方法相比,本文的方法具有更好的预测效果。