据国家统计信息中心统计,2021年1月至10期间,全国总诊疗人次达到54.4亿人次,同比增长23.4%,医疗服务体量巨大。然而,我国人口基数大,人均医疗资源相对较少,且部分地区医疗资源仍存在短缺情况。在保证完成大体量医疗服务的同时,借助用药辅助系统提高医疗服务质量与服务效率是缓解医疗资源短缺的有效方法之一。用药辅助系统可以为医生用药提供辅助决策信息,在医疗资源短缺、医疗服务需求量大的情况下,不仅可以降低医生工作的难度,减轻压力,提高医疗服务质量与效率,还可以有效减少医生用药错误的情况。当前用药辅助系统的实现中主要存在两个问题:一是电子病历中存在嵌套实体,目前中文医疗领域的命名实体识别方法还不能有效识别嵌套实体;二是目前的药物推荐模型都是基于异质顶点信息进行搭建,而没有利用同质顶点信息,忽略了疾病与疾病、药物与药物之间的关系。为此本文研究设计一个基于NER与GCN的用药辅助系统,使用基于机器阅读理解的中文命名实体识别方法,来提高电子病历中嵌套实体的识别效果。同时,在用药推荐模型中充分利用异质和同质点信息,提高推荐模型性能。主要工作为:1.提出了基于机器阅读理解改进的中文命名实体识别方法。利用基于机器阅读理解的中文命名实体识别方法,来提高电子病历中嵌套实体的识别效果,同时针对该方法存在的样本分布不均匀问题,提出使用Focal Loss代替CE Loss的方法来缓解该问题。实验结果表明,相对于主流的中文命名实体识别方法BERT-Bi LSTM-CRF,基于机器阅读理解改进的中文命名实体识别方法在F1值上相对于改进前提高了2.03%。为了进一步验证该方法的性能,在公开的Flat NER数据集与Nested NER数据集上进行对比实验,该方法均取得较好效果。2.提出了同时利用异质与同质顶点信息的图卷积神经网络用药推荐模型。利用中文命名实体识别方法从电子病历中提取出来的疾病与药物实体信息,构建疾病与药物、疾病与疾病、药物与药物图结构数据集,基于此搭建图卷积神经网络推荐模型。实验结果表明,与常见的异质交互类方法GC-MC相比,本文提出的用药推荐模型其RMSE降低了0.11167。同时在公开数据集Dou Ban与Movie Lens上进行对比实验,证明本文模型的通用性。3.设计并实现了用药辅助系统。本文首先对用药辅助系统的功能性与非功能性需求进行详细分析,在确认所有需求后,进行系统架构、功能模块与数据库设计,最后对系统进行实现,并对系统界面进行详细展示。