本研究提出了一种新的疾病诊断建模方法，基于异构信息网络，能够处理缺失值和异构数据，实现更准确的疾病诊断。实验结果显示该方法在诊断编码、疾病预测和临床事件相似性方面优于基准模型。

该研究提出了一种新的超图学习方法，用于异构信息网络中的节点分类。该方法使用超图捕捉节点之间的高阶关系和提取语义信息，并利用原型提升学习过程的稳健性。实验验证了该方法在三个真实世界的异构信息网络中的有效性。