背景与目的：急腹症的共通特点是起病急，腹痛表现突出，但在腹痛症状背后涵盖了种类繁多的疾病。因此，在有限的时间内、辅助检查结果很少的场景下，快速的进行准确诊断，尤其是将那些具有潜在的危及生命的状态的患者筛选出来，并进行重点关注和处理，就成为急诊医生面临的最大挑战之一。由于急诊一线医师常常是年资较低的住院/主治医师，他们往往需要很长的时间才能达到高年资医师具备的对风险的感知能力，以及，在嘈杂环境、繁重的巨大工作压力下，对于信息的整合能力和预后预判能力随时间而下降。本研究旨在人工智能中的自然语言处理技术，建立一种可帮助急诊医师进行快速、精准急腹症诊断的智能辅助决策方法。方法与材料：纳入四川省人民医院急诊外科2015-2017年的因急性腹痛入院的住院患者就诊数据，纳入标准：1）急性腹痛入院；2）成年患者（年龄>=18岁）；排除标准：1）年龄<18岁；2）慢性腹痛；对数据进行常规清洗后建立研究数据库，采用词嵌入技术
（word2vec）将病历的文字数据转化为向量，形成可供分析的矩阵。同时构建知识图谱（knowledge map, KG）完成急腹症相关概念的连接，以使得系统对病案文本输入信息在知识图谱上做出正确的映射，进而基于时间递归神经网络中的长短期记忆网络（Long-short term memory，LSTM）算法，对患者的主诉进行特征提取，最终建立对急腹症诊断自动诊断的模型。结果：纳入922例患者的病历资料，同时基于急腹症医学文献和教材作为训练建模的语料库，利用自定义后的医学中文分词工具对其进行分词后处理，筛除部分停顿词和无实际医学诊断帮助的词语，并利用word emdedding技术将分词后的语料库进行模型搭建，投射为一个多维的矩阵模型。结果显示，对于多数急腹症性疾病的诊断准确率在50次迭代后稳定于85-91.8%。结论：本研究建立了首个基于中文自然语言处理的急诊人工智能辅助诊断，并成功构建了首个急腹症医学知识图谱，发现LSTM技术能够在较高的准确度上实现自然语言理解到临床结局的回归。