随着互联网医疗相关政策的实施,医疗资源作为海量网络信息中的一部分呈现出了“爆炸式”的增长趋势,各类医疗资源分析服务极大方便了患者就医,但随着信息量的极大增加,患者在海量信息中往往难以快速地找到自己所需要的有用信息,这也是“信息爆炸”和“信息过载”的互联网医疗中所体现出来的弊端。针对上述传统医疗领域的困难,本文从疾病分级、用药建议,以及医生推荐等问题出发,利用大数据挖掘的方法,提出了基于数据驱动的病程评估、用药风险预警、医生推荐等方法,主要研究工作如下:(1)基于动态时间匹配的RNN模型,研究慢性病病程分级预测方法。首先通过RNN模型对序列的相似性进行编码,并动态匹配数据中的时间模式,进而将来自两个序列的事件之间的相互关系看作二维域,通过门控循环单元(GRU)克服梯度消失问题,最终计算两个序列之间的相似性并动态匹配患者数据中的时间模式,即疾病的分级模式。(2)基于多任务回归模型,研究药品不良反应预测方法。首先把每一个具体的不良反应(DDIs)类型预测看作是一个任务,在对所有的任务采取适当的正则化的基础上尽量减小损失函数。为了解决优化问题,进一步给出了一种有效的近似梯度法,同时检测多个潜在的药物相互作用的类型。(3)基于文本挖掘和多标签预测模型,研究医疗医生推荐方法。首先对医生进行标签标注,使用了医学新词发现及医学命名实体识别等方法,进一步提出基于聚类抽样和频率抽样的方法对医生标签进行预测,从而将标签在所有医生范围内进行传递,最后,给出针对特定疾病的意思医生KOL排序推荐方法。通过研究智能医疗大数据分析的三个重要问题,对提高我国医疗信息服务水平,更好的满足患者对医疗信息的使用需求有很大的促进作用,为进一步合理配置医疗资源提供理论与实践支持。