目的:川崎病(Kawasaki disease,KD)是一种以发热、皮疹、双侧眼结膜充血、口咽病变、四肢病变和颈部淋巴结肿大为主要特征的急性、自限性的血管炎,病因未明,高发人群为5岁以下的儿童。目前川崎病缺乏特异性的诊断指标和可以确诊的临床症状,许多发热疾病具有同川崎病类似的临床表现,容易造成川崎病的误诊和延迟诊断,从而增加患冠状动脉病变的风险,因此,如何准确快速的对川崎病进行诊断是临床上的一项挑战。本文以川崎病的临床体征和实验室检查指标为切入点,应用数据挖掘算法,构建川崎病与其他发热疾病的鉴别诊断模型,以期提供简便、可靠的川崎病辅助诊断方法。方法:采集重庆医科大学附属儿童医院原始的川崎病和待发热疾病的人口统计学资料,实验室检查指标,临床体征数据和出院诊断记录,经过数据预处理和特征选择,建立样本数据库,使用特征选择后的特征子集构建Logistic回归,BP神经网络,贝叶斯网络和决策树模型,使用独立的测试集对模型进行验证,比较四种模型的诊断性能,选择最优模型作为本研究川崎病和其他类发热疾病的鉴别诊断模型,并使用遗传算法对该模型进行优化降维。借助CGI脚本编程,设计川崎病辅助诊断系统。结果:结果表明,BP神经网络比其他分类算法(Logistic回归、贝叶斯网络和决策树)具有更好的分类准确率。本文通过单因素分析的特征选择方法,从51项临床信息中,选择了37项作为模型的纳入指标,测试发现,BP神经网络的诊断准确率在90%左右。本研究还开发了川崎病辅助诊断系统,通过输入患者的基本信息、部分实验室检查指标和临床体征,系统可自动给出诊断结果,供医生参考。结论:通过对川崎病和其他类发热疾病病历数据进行分析,筛选出与川崎病诊断相关的临床指标,为后续的临床研究提供了参考,构建的BP神经网络模型实现了对川崎病和其他类发热疾病较准确的分类,辅助诊断系统可为临床医生的诊断提供辅助参考。