急性肾损伤(Acute Kidney Injury,AKI)是一种以肾功能急速减退为特征的临床综合症。每年我国有上百万人罹患这种疾病,而国际研究表明其死亡率超过五成。目前没有很好的治疗方法,早期诊断是关键。现有研究通过分析电子病历(Electronic Medical Record,EMR)中的诊断、治疗和保健等健康相关活动的数字记录,构建AKI预测模型。但是,上述研究没有考虑EMR中的时态信息,没有反映病人的用药行为和治疗效果,导致模型性能不佳。同时,EMR中正负样本的极度不平衡,使预测模型结果存在偏差。本文主要分为两部分研究AKI风险预测问题:首先,应用两种考虑时态信息的时态数据处理方法Stacked-Temporal和Multitask-Temporal来挖掘电子病历中的时态信息,提高AKI风险预测模型的性能。其次,本文采用了训练集划分模型集成的方法解决类非平衡问题,以提高正样本的预测准确率。通过案例研究发现,未经非平衡处理的情况下,Recall最高为0.57,F1值最高为0.29。采用训练集划分模型集成的方法时,Recall最高可达0.72,F1最高达0.33。说明经过非平衡处理后我们能更好识别出AKI高风险的患者。同时,研究结果表明,未考虑时态信息的Most Recent方法AUC最高为0.77,而考虑时态信息的Stacked-Temporal、Multitask-Temporal方法AUC最高分别为0.79、0.78。由此说明,将时态信息纳入患者的风险决策中可以更好地预测AKI患病风险。