随着我国制造业、城市化发展和家庭汽车使用的普及,空气污染问题日益突出,空气污染易导致呼吸疾病,在我国许多地区,呼吸疾病发病率居高不下,极大的增加了当地的医疗负担,应用现代科技研究、改进呼吸疾病诊疗水平意义重大。本文针对呼吸系统急危重症的风险预警问题,应用机器学习、自然语言处理等人工智能技术,通过对医院电子诊疗数据,特别是电子病历数据进行分析研究,旨在改进传统分析方法在疾病风险分类、疾病风险预测预警等方面存在的不足,以期为提高医生辅助诊断患者疾病能力提供有效的技术支撑,本文的主要研究内容及创新之处如下:1.在对论文研究背景、研究意义及国内外相关研究现状的系统分析基础上,提出对于非结构化电子诊疗数据进行结构化分析的主要流程和方法,主要涉及两个部分内容,第一部分是基于自然语言处理方法构建呼吸急危重症风险预警的结构化数据集,第二个部分是应用机器学习方法对患者非结构化电子诊疗数据和结构化数据进行分析处理,实现呼吸重症疾病的风险分级和风险预警。2.在对电子病历命名实体识别任务中,改进现有的命名实体识别算法,在应用迁移学习算法的基础上,编制了实用的患者数据训练模型和方法工具,减轻人工标注数据的工作量,提高了学习算法的精度和准确率,为提高后续呼吸疾病急危重症风险预警的精确率奠定了有效的基础。3.对呼吸疾病风险预警的流程和方法进行了实验研究,包括数据收集、数据清洗、训练模型、评估模型等内容。通过实验对比逻辑回归、支持向量机、随机森林、极限梯度提升树等四种分类器算法,发现比极限梯度提升树算法具有较高的准确率。综上所述,本文综合应用了机器学习、自然语言处理等现代人工智能技术方法,对呼吸系统急危重症患者的疾病风险分类、风险预测模型等内容进行了探索性研究,并在集成学习算法应用、基于医学数据集的分类器性能改进、疾病风险预警精度改进等方面有所创新。