电子病历数据是对患者就诊全过程的客观记录,包含大量与患者病情密切相关临床信息,为发展智能临床决策辅助提供了数据资源。然而,真实电子病历中普遍存在着数据稀疏、数据质量低下等问题,难以直接使用。而且电子病历中的文本数据也蕴含着丰富的临床信息,但是在临床决策辅助相关研究中还未被充分利用。本文将考虑电子病历中的各种特征数据,以机器学习与数据挖掘相关技术为手段,研究医疗决策辅助的相关方法。本文构建了一种基于患者间相似性的个体化住院时长预测方法,该方法是由数据处理、患者相似性度量、特征选择、预测模型、模型解释在内的多种算法构成的一个有机整体。主要研究工作包括:（1）电子病历数据清洗与结构化方法研究。设计一系列数据清洗算法实现对质量低下的结构化电子病历数据进行规范;针对非结构化文本数据提出基于字符粒度的Doc2vec将其转化为向量表示。通过本文的数据处理方法后,实现将原始异构混杂的电子病历数据标准化为可直接用于后续使用的数据矩阵。（2）患者临床相似性度量方法研究。本文提出一种更全面的患者临床相似性度量方法,充分利用电子病历中的各种患者特征数据表示患者病情,并对这些特征间的距离进行有效评估,进而实现对任意两两患者病情间的相似度计算。（3）基于患者相似性的住院时长预测算法研究。基于所提出的相似性度量方法,实现从相似样本队列中为每个患者建立个性化预测模型。此外,也通过特征选择技术对影响预测目标的关键特征进行识别,采用随机森林、XGBoost、light GBM以及决策树这些监督学习技术学习预测模型。最后,为了增强对个体化预测模型决策结果的理解,本文研究应用SHAP可视化方法增强对模型特征层面以及个体决策结果层面的解释性。本文在真实的肝硬化腹水患者电子病历数据上,对所提出的算法进行应用,并进行多组数据实验对其性能进行评估。主要结果表明:（1）本研究中识别的15个关键特征,可以用于肝硬化腹水患者的住院时长预测,用于最终模型的建立。（2）本文基于患者相似性构建的住院时长预测模型,能够表现出更好的稳定性和效果,也表明了本文提出的患者相似性度量方法在个性化诊疗决策辅助应用中的有效性。（3）构建的四个个体化的预测模型的表现能够在一定程度上优于通用模型。（4）通过SHAP对模型特征解释发现,肝硬化腹水患者的低“前白蛋白”水平与更长的住院时长最相关。