1.基于BiLSTM的电子健康记录表示学习方法，其特征是，包括：构建基于BiLSTM的深度学习模型；

构建训练集，所述训练集为A疾病患者的电子健康记录中若干次历史就诊的诊断结果和当前就诊的诊断结果；

利用训练集对基于BiLSTM的深度学习模型进行训练，将某疾病患者的若干次历史就诊的诊断结果作为模型的输入值，将患者当前就诊的诊断结果作为模型的输出值；得到训练好的基于BiLSTM的深度学习模型；

获取同样患A疾病的待表示学习患者的电子健康记录，将待表示学习患者电子健康记录的若干次历史诊断结果输入到训练好的基于BiLSTM的深度学习模型中，输出待表示学习患者的最终表示学习向量；

构建基于BiLSTM的深度学习模型；其中，基于BiLSTM的深度学习模型，包括：依次连接的嵌入层、多头注意力机制模型、激活函数层、BiLSTM神经网络、自注意力机制模型、全连接层和softmax层；

所述嵌入层，用于获取电子健康记录；所述电子健康记录，包括：若干个患者就诊序列，每个患者就诊序列均包含若干个诊断代码；对每个诊断代码进行向量映射；

所述多头注意力机制模型，用于探索患者就诊序列中各个诊断代码的权重，以及各个诊断代码的之间存在的潜在关联关系，从而得到每个诊断代码的向量表示；

所述激活函数层，用于对每个诊断代码的向量表示添加非负性约束；对患者就诊序列中的添加非负性约束的诊断代码向量进行累加，得到患者就诊序列的初步向量表示；

所述BiLSTM神经网络，用于将初步向量表示输入到BiLSTM神经网络中，得到患者就诊序列的隐含向量；

所述自注意力机制模型，用于将隐含向量输入到自注意力机制中，学习每个隐含向量的权重，将学习到的每个隐含向量的权重和隐含向量相乘，即对隐含向量进行加权，得到最后的就诊向量表示；

所述全连接层，用于对输出患者当前就诊的诊断结果。

2.如权利要求1所述的方法，其特征是，对每个诊断代码进行向量映射，是通过嵌入矩阵对每个诊断代码进行向量映射。

3.如权利要求1所述的方法，其特征是，获取同样患A疾病的待表示学习患者的电子健康记录，将待表示学习患者电子健康记录的若干次历史诊断结果输入到训练好的基于BiLSTM的深度学习模型中，输出待表示学习患者的最终表示学习向量；其中，输出的待表示学习患者的最终表示学习向量是由训练好的基于BiLSTM的深度学习模型的自注意力机制模型输出的。

4.基于BiLSTM的电子健康记录表示学习系统，其特征是，包括：模型构建模块，其被配置为：构建基于BiLSTM的深度学习模型；

训练集构建模块，其被配置为：构建训练集，所述训练集为A疾病患者的电子健康记录中若干次历史就诊的诊断结果和当前就诊的诊断结果；

模型训练模块，其被配置为：利用训练集对基于BiLSTM的深度学习模型进行训练，将某疾病患者的若干次历史就诊的诊断结果作为模型的输入值，将患者当前就诊的诊断结果作为模型的输出值；得到训练好的基于BiLSTM的深度学习模型；

学习表示向量输出模块，其被配置为：获取同样患A疾病的待表示学习患者的电子健康记录，将待表示学习患者电子健康记录的若干次历史诊断结果输入到训练好的基于BiLSTM的深度学习模型中，输出待表示学习患者的最终表示学习向量；

所述基于BiLSTM的深度学习模型，包括：

依次连接的嵌入层、多头注意力机制模型、激活函数层、BiLSTM神经网络、自注意力机制模型、全连接层和softmax层；

所述嵌入层，用于获取电子健康记录；所述电子健康记录，包括：若干个患者就诊序列，每个患者就诊序列均包含若干个诊断代码；对每个诊断代码进行向量映射；

所述多头注意力机制模型，用于探索患者就诊序列中各个诊断代码的权重，以及各个诊断代码的之间存在的潜在关联关系，从而得到每个诊断代码的向量表示；

所述激活函数层，用于对每个诊断代码的向量表示添加非负性约束；对患者就诊序列中的添加非负性约束的诊断代码向量进行累加，得到患者就诊序列的初步向量表示；

所述BiLSTM神经网络，用于将初步向量表示输入到BiLSTM神经网络中，得到患者就诊序列的隐含向量；

所述自注意力机制模型，用于将隐含向量输入到自注意力机制中，学习每个隐含向量的权重，将学习到的每个隐含向量的权重和隐含向量相乘，即对隐含向量进行加权，得到最后的就诊向量表示；

所述全连接层，用于对输出患者当前就诊的诊断结果。

5.基于BiLSTM的疾病预测系统，其特征是，包括：

模型构建模块，其被配置为：构建基于BiLSTM的深度学习模型；

训练集构建模块，其被配置为：构建训练集，所述训练集为A疾病患者的电子健康记录中若干次历史就诊的诊断结果和当前就诊的诊断结果；

模型训练模块，其被配置为：利用训练集对基于BiLSTM的深度学习模型进行训练，将某疾病患者的若干次历史就诊的诊断结果作为模型的输入值，将患者当前就诊的诊断结果作为模型的输出值；得到训练好的基于BiLSTM的深度学习模型；

输出模块，其被配置为：获取同样患A疾病的待预测患者的电子健康记录，将待预测患者电子健康记录的若干次历史诊断结果输入到训练好的基于BiLSTM的深度学习模型中，输出待预测患者的疾病预测结果；

所述基于BiLSTM的深度学习模型，包括：

依次连接的嵌入层、多头注意力机制模型、激活函数层、BiLSTM神经网络、自注意力机制模型、全连接层和softmax层；

所述嵌入层，用于获取电子健康记录；所述电子健康记录，包括：若干个患者就诊序列，每个患者就诊序列均包含若干个诊断代码；对每个诊断代码进行向量映射；

所述多头注意力机制模型，用于探索患者就诊序列中各个诊断代码的权重，以及各个诊断代码的之间存在的潜在关联关系，从而得到每个诊断代码的向量表示；

所述激活函数层，用于对每个诊断代码的向量表示添加非负性约束；对患者就诊序列中的添加非负性约束的诊断代码向量进行累加，得到患者就诊序列的初步向量表示；

所述BiLSTM神经网络，用于将初步向量表示输入到BiLSTM神经网络中，得到患者就诊序列的隐含向量；

所述自注意力机制模型，用于将隐含向量输入到自注意力机制中，学习每个隐含向量的权重，将学习到的每个隐含向量的权重和隐含向量相乘，即对隐含向量进行加权，得到最后的就诊向量表示；

所述全连接层，用于对输出患者当前就诊的诊断结果。

6.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑3任一项方法的步骤。

7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑3任一项方法的步骤。