患者相似性研究是医疗保健中最基本的任务之一，有助于做出决策，而不会在临床实践中产生额外的时间和成本。患者相似性还可以应用于各种医学领域，例如队列分析和个性化治疗建议。由于这一重要性，正在积极进行患者相似性测量研究。然而，医学数据具有复杂、不规则和连续的特征，使得测量相似性具有挑战性。因此，测量准确的相似度是一个重要的问题。现有的相似性测量研究使用监督学习来计算患者之间的相似性，而相似性测量研究仅针对一种特定疾病进行。但是，只考虑一种疾病是不现实的，因为通常伴随着其他条件；需要一项研究来衡量与多种疾病的相似性。本研究提出了一种基于卷积神经网络的模型，该模型联合特征学习和相似性学习来定义多种疾病患者的相似性。我们使用来自韩国国民健康保险共享服务的队列数据进行实验。实验结果证明，与其他用于测量多病患者相似性的现有模型相比，所提出的模型具有出色的性能。我们使用来自韩国国民健康保险共享服务的队列数据进行实验。实验结果证明，与其他用于测量多病患者相似性的现有模型相比，所提出的模型具有出色的性能。我们使用来自韩国国民健康保险共享服务的队列数据进行实验。实验结果证明，与其他用于测量多病患者相似性的现有模型相比，所提出的模型具有出色的性能。



"点击查看英文标题和摘要"