高血压患病率逐年增长,高血压病人的知晓率和治疗率却维持在较低水平,这给高血压的有效控制带来很大困难。目前高血压的诊断和治疗工作还主要由执业医师手工完成,依靠人工智能和计算机技术对高血压诊断和治疗还处于发展阶段。伴随着电子处方的广泛运用,医疗机构中积累了大量的高血压病人电子处方数据,如何借助人工智能技术更好地利用这些电子处方辅助高血压诊断和治疗具有重要的研究意义。关联规则可以发现数据集中数据项之间的依赖或相互关联,本体能够描述领域内概念和概念间的约束或联系并具有较强的推理能力。因此本文立足于高血压病人的电子处方,利用关联规则技术发现电子处方中隐藏的有意义的联系,引入本体技术描述电子处方中涉及的概念、联系和病人实例,进而建立高血压领域本体库和SWRL规则库。在已建立的本体库和SWRL规则库的基础上提出高血压诊疗系统框架。本文具体的研究内容如下：第一,本文分析电子处方的优势和存在的问题,总结得出随着医疗卫生信息化建设不断深入,电子处方肯定能够被广泛运用。第二,深入研究关联规则理论,分析其在电子处方中应用的可行性,得出高血压的电子处方中存在与购物篮问题相似的序列特征,可以利用Apriori算法从高血压电子处方记录发现有意义的联系。第三,收集上万条高血压病人的电子处方记录,研究Thusitha等人提出的鉴定不坚持服药病人的方法,从电子处方中鉴定出不坚持服药的病人,继而运用Apriori算法发现不坚持服药和血压之间的关系,并指出利用关联规则还可以发现抗高血压药物的联合方案和药物的不良反应。第四,研究领域本体和SWRL规则的构建和推理方法,明确高血压电子处方中的重要概念,结合从电子处方中发现的联系和领域内其他重要知识,利用Protege 3.4 beta本体开发工具构建高血压领域本体库和SWRL规则库,这其中复用了Thusitha等人所开发本体中的疾病分类编码和药物分类实例。在此基础上提出高血压诊疗系统框架,并通过实验详细描述诊断和治疗过程。本文提出的高血压诊疗系统,旨在辅助高血压的诊断和治疗,是依靠人工智能及计算机技术对高血压诊断和治疗工作的一次尝试和探索,希望能给后续的相关研究人员提供有益的借鉴。