终末期肾病患者依靠血液透析维持生命的基本状态。血液透析利用透析液,借助弥散、超滤和对流等原理,使得透析液与透析患者血液中的溶质在透析器中进行交换,纠正体内的电解质和酸碱平衡,去除多余水分,维持机体内环境稳定。研究发现,透析液中钾、钙离子的方案和患者的预后情况关系密切,因此,为不同患者制定合适的透析液方案对于透析患者意义重大。随着计算机技术和电子病历的发展,国内外研究者们开始利用机器学习技术为透析领域的各类医学问题建立辅助决策模型。但是,在个体化透析液方案的辅助决策问题上,机器学习技术还并未被广泛研究,尤其是机器学习技术中的深度学习技术。在实际透析医疗过程中,医生参考透析患者多维时序性生理信息判断患者生理发展趋势,进而为患者制定个体化的透析液方案。为提升医生的决策效率,减少决策压力,本文应用深度学习技术对透析患者的多维时序性生理数据进行建模,预测患者的透析液方案,为患者良好治疗方案的制定提供有力技术支撑。因此,本文主要研究内容和创新性工作如下:(1)针对透析患者的透析液辅助决策问题,提出了结合注意力机制(Attention Mechanism)和双向长短时记忆神经网络(Bidirectional Long ShortTerm Memory,BLSTM)的透析液辅助决策模型BLSTM-Attention。利用BLSTM对透析患者的多维时序性生理信息进行正反两个时间方向的表征,符合医生浏览患者生理信息的逻辑。同时,为了增加模型的可解释性,提升模型捕获重要生理信息记录的能力,引入了时间方向的注意力机制来学习多维生理信息时间方向上的上下文信息。实验结果表明,BLSTM-Attention模型相较于其他时序性模型和非时序性模型在透析液方案多分类预测性能上有明显提升作用。(2)为了更全面地利用透析患者多维时序性生理信息,对其进行时间维度和特征维度的表征以实现多视角特征融合,提出了透析液辅助决策模型SACNNBLSTM。该模型在BLSTM-Attention模型的基础上结合了基于空间注意力的一维卷积神经网络(1-Dimentional Convolutional Neural Network based on Spatial Attention,SACNN)提取生理信息特征维度的表征。即利用一维卷积神经网络对透析患者生理信息进行特征方向上的多窗口卷积以学习多元表征,并利用空间注意力机制突出特征图的重要特征以形成新特征图。然后,将同一卷积窗口形成的所有新特征图进行位对位相加形成通道融合表征。不同卷积窗口形成的不同通道融合表征进行拼接作为生理信息特征维度的表征,与BLSTM-Attention提取的时间方向上的上下文信息、患者的个人基本信息进行融合作为患者的最终表征。经实验证明,SACNN-BLSTM可以进一步提升透析液方案多分类预测的性能。