心血管疾病是全球死亡的主要原因之一,急性冠脉综合征(ACS,Acute Coronary Syndrome)为其中的一种,在其早期治疗中,评估患者会发生诸如心肌梗死、中风或者死亡等不良事件的风险程度是一个非常重要的阶段。对病人的个体风险评估,可以帮助医生选择最合适的治疗策略,降低ACS致死率。传统的诸多评分工具如GRACE,TIMI等,大多根据队列研究建立。其由于队列研究严格的入组条件,使得样本与实际临床环境存在偏差,同时由于使用较少的风险因子,限制了工具的性能,并难以纳入新的风险因子。近年来随着医院信息化的发展,更多的基于机器学习的模型被开发出来,这些模型使用电子病历数据,更好地反应了真实的临床环境,可以纳入更多的风险因子,使用先进的机器学习模型,可以取得更好的性能。然而,这些模型中仍然存在一些问题,如现存的模型通常忽略数据集样本之间、特征之间的关联信息,以及ACS本身存在三种不同诊断亚型(STEMI,NSTEMI,UA),现有的模型并未考虑亚型之间的区别与关联信息。为了可以更好的处理样本之间、特征之间的关联信息,本论文提出关系正则化的ACS患者风险评估方法,通过拉普拉斯算子将样本之间和特征之间的关联信息进行编码,并以正则项的形式引入到模型训练过程中。之后针对目前风险评估模型多为浅层模型的现状,本论文提出了正则化的深度学习ACS风险评估模型,将样本之间的关联信息以正则项形式引入堆叠式自动编码机中。最后对于ACS存在不同亚型的情形,本论文提出基于对抗网络的ACS患者主要不良事件预测方法,将多任务学习框架和对抗训练结合,通过深度学习模型提取亚型特征有的以及亚型之间所共有的特征,以更好地进行不良事件预测。本论文使用来自国内某三甲医院的电子病历数据对我们所提出的模型进行评估,实验结果表明:我们所提出的正则化可以有效地利用样本之间、特征之间的关联信息,提升模型风险评估的性能;多任务对抗模型可以利用亚型之间的特性与共性,在不良事件预测上取得不错的性能。本论文所提出的方法在风险预测上可以取得比最先进的机器学习模型更好或相当的预测性能,充分利用了电子病历数据的价值,为ACS或其他疾病的风险评估研究提供了新的思路和技术手段。