最近几年,随着人工智能和大数据的发展,机器学习越来越多的被应用到医疗领域,我国也提出了医疗大数据的发展方向。论文通过数据挖掘,从数据的角度挖掘生理指标和血尿酸之间的内在联系,通过对血尿酸的分析和研究,对患者进行有效治疗指导和辅助医生进行诊断有着重要意义。论文从两方面提出了血尿酸预测模型:一方面是对多维特征进行提取,进行特征融合,另一方面是对传统单一模型进行改进。一方面,论文针对原始数据中涉及的多维特征进行分类再融合,首先将原始特征分为两类,分别是数字特征和文字特征。然后进而对数字特征进行分类,分为连续型数值特征和离散型特征。对于文字特征,论文提出基于Doc2vec神经网络模型来提取原始语料的文字特征,并对该文字特征进行单独训练,从而进行二次提取。最后将文字特征与处理好的数值型特征进行融合,得到完备的特征集组合。另一方面,论文的目标是提高模型的预测能力。单一的Boosting算法通过训练一个弱学习器,不断拟合残差来减小误差,这个过程使得偏差不断减小,同时方差变大,这就容易导致过拟合。因此论文提出Boosting和Stacking相结合的方法通过训练多个弱学习器来减小模型过拟合的风险,从而增加模型的鲁棒性。最后,论文通过模型提出对预测血尿酸比较重要的特征,并与现有医学领域的研究成果进行对比。现有医学领域成果大多数是基于统计和生理标注,需要对病人进行跟踪检查,耗时比较长,统计人群规模较大,成本较高。论文基于一个横截面时间进行研究,效率较高,成本较低,并且能够达到较高的预测准确性,对进一步研究血尿酸有着重要价值。