随着互联网技术的迅猛发展和医疗信息化的不断推进,电子病历逐渐取代了繁杂的手写病历,已经成为了医院不可或缺的一部分。电子病历的出现对医学发展的意义重大,不仅为医院的健康管理提供了便利和高效,而且也为医学的深入研究提供了数据支持。但由于电子病历数据存在规模庞大、结构复杂等问题,它的潜在价值并没有得到充分挖掘。因此,针对目前电子病历大数据利用率低的问题,本文以电子病历数据为基础,着重对医疗诊断模型进行研究,实现疾病的智能化诊断,目的是给医务人员提供有效的参考意见,从而提高医疗诊断的效率和准确率。本文主要研究内容如下:(1)通过阅读大量相关文献了解国内外研究现状,然后对医疗诊断过程进行分析和研究,总结其存在的问题,确定了本文的研究方向和主要内容。(2)在医疗诊断过程中,疾病数据中存在较多冗余和弱相关的特征,不仅降低了诊断模型构建的效率,同时也降低了疾病诊断的精确度。因此,本文选择了基于粒子群的特征选择算法对疾病特征属性进行约简处理,并对原始算法做出了改进,提出了基于RS-BPSO特征选择算法。最后,在UCI数据集中,以粗糙集算法和标准二进制粒子群算法作为对比进行特征选择仿真实验,实验结果展现了RS-BPSO算法在特征属性约简、分类精度以及收敛的运行时间上的优势。(3)针对现有医疗诊断模型诊断准确率不高的缺点,本文提出了将贝叶斯网络与DS证据理论相结合的BN-DS两级诊断模型,并通过流程图描述了该模型的诊断流程与步骤。首先建立多个贝叶斯子网络模型对疾病进行初步诊断,其次通过DS证据理论将初步诊断结果进行信息融合,得出最终诊断结果。(4)为了验证BN-DS诊断模型的有效性,本文以病人电子病历作为实验数据进行诊断实验。首先对电子病历文本进行分词、去停用词和特征提取预处理,然后利用本文提出的RS-BPSO算法进行特征属性选择,最后通过BN-DS二级诊断模型对疾病进行诊断。通过对实验结果的比较与分析,验证了该模型可以有效提高疾病诊断的准确率。