随着我国技术的发展以及医疗保障体系的完善,基于人工智能和大数据的临床决策支持系统逐渐成为满足人民健康需求的重要工具。本文基于合作单位浙江省立同德医院的实际需求,围绕慢性肾脏病的预测和药物不良反应识别展开研究。第一项研究从浙江省立同德医院收集了2213名病人的电子医疗记录,其中639名病人发展为慢性肾脏病。然后,本研究提出MD-BERT-LGBM方法建立预测模型,并与现有的其它机器学习方法进行比较。最后,通过十折交叉验证,该模型的准确率达到83.06%、召回率达到73.17%、精确率达到63.93%、受试工作者特性曲线下面积达到88.24%,该评估结果优于其它机器学习方法。第二项研究从MEDLINE文献库中收集355篇描述药物与慢性肾脏病关系的文献,其中87篇文献提及对慢性肾脏病患者有不良反应的药物。然后,本研究采取了一种扩充训练数据集的策略,并分别用卷积神经网络和基于transformers的双向编码表示方法进行建模。结果表明卷积神经网络表现更好,其准确率达到84.82%、召回率达到60.87%、精确率达到73.64%和受试工作者特性曲线下面积达到88.38%。最后,我们还通过软件工具开发了一个用于慢性肾脏病预测和药物不良反应识别的图形化用户界面,便于医生使用。本文构建的慢性肾脏病预测模型能准确地预测个体未来患慢性肾脏病的风险,辅助医生阻止、控制慢性肾脏病的发生;药物不良反应识别模型可以实现药物预警,避免对已经患有或未来可能患有慢性肾脏病的人群使用容易引起不良反应的药物。综上,本文的工作对目前慢性肾脏病的预防问题有着非常积极的意义。