糖尿病是以高血糖为特征的常见代谢性疾病。病因是胰岛素分泌缺陷或其生物作用受损。糖尿病长期存在易引发眼、肾脏、心血管、神经系统的损害,并发症较多,对患者的身体健康危害较大。随着医疗信息化的推进,坐拥着大量患者数据的医疗行业渴望从这些海量、复杂的数据中获得信息来助力医疗行业发展,同时也渴望能够借此缓解医疗人才紧张的局面,因而智慧医疗的发展迫在眉睫。利用机器学习等人工智能方法对医疗数据进行分析处理来达到辅助诊疗的效果是智慧医疗中极具实际意义的表现之一。糖尿病的生化检验指标主要包括糖化血红蛋白(Hb A1c)、空腹血糖(Glu)和胰岛素释放试验(Ins)。糖化血红蛋白(Hb A1c)指标是人体血液中红细胞内的血红蛋白与血糖结合的产物,通常可以反映患者最近8至12周的血糖控制情况;空腹血糖(Glu)指标能够表现出基础胰岛素的分泌功能;而胰岛素释放试验(Ins)反应了胰β细胞的储备功能,对这些糖尿病主要指标进行的预测具有调整治疗方案、评估患者状态、衡量治疗结果等重要的实际意义。因而,可以将糖尿病患者的指标预测作为糖尿病辅助诊疗的一环。本文针对患者糖尿病生化指标预测的这一问题,先进行了糖尿病医疗数据的多维分析。在分析的基础上,构建了一个基于改进神经网络的糖尿病生化指标变化趋势预测模型。该模型以BP神经网络为基础,在隐藏层中增加计算结果缓存区域,用以拟合糖尿病指标数据的时序特性。文章的主要研究工作如下:由于文章中使用的数据都是从医院内获得的真实的医疗数据,为了保证接下来的分析都能建立在一个较好的结构化数据上,文章先对数据进行了预处理和数据清洗。在明确了分析内容后,文章根据数据源,确定了分析目标和分析人群。接着,文章对这些人群的数据进行了多维分析和数据挖掘,获得了一些数据特征,并以此为基础构建数据模型。在分析了数据模型的特点之后,文章选取了BP神经网络作为预测模型,同时加以改进,以应对数据模型不规则时序特性以及内部复杂的相互关系,从而能够得到更好的预测结果来辅助医生确定治疗方案,以此来达到辅助诊疗的目的。之后,为了验证本文所提出的模型有更好的预测效果,研究过程中也加入了对比实验。实验结果表明,与普通的BP神经网络、XGBoost算法相比,本文模型的预测效果更好,适用于糖尿病生化指标变化趋势预测。最后,文章设计了一个系统,以搭载分析模型,通过系统,来实现以临床数据为基础的糖尿病辅助诊疗。