Cómo utilizar datos de series temporales multidimensionales es un gran desafío para el análisis de big data. Múltiples trayectorias de uso médico en datos médicos electrónicos son datos de series temporales típicos. Aunque se han propuesto muchas técnicas de inteligencia artificial para utilizar las múltiples trayectorias de uso médico en la predicción del riesgo de uso médico concurrente, la mayoría de los métodos existentes prestan menos atención a la propiedad temporal de la trayectoria de uso médico y a la correlación potencial entre las diferentes trayectorias de uso médico, lo que resulta en aplicaciones limitadas de múltiples trayectorias concurrentes. Para abordar el problema, propusimos un modo de aplicación basado en redes neuronales de múltiples etapas de datos de series temporales multidimensionales para el aprendizaje de características de datos médicos electrónicos de alta dimensionalidad en la predicción de eventos adversos. Diseñamos un factor sintético para las múltiples trayectorias de uso médico con la combinación de una red neuronal Long Short Term Memory-Deep Auto Encoder y el método de agrupamiento bisecting k-means. Luego, utilizamos una red neuronal profunda para producir dos tipos de vectores de características para la predicción de riesgos y el análisis de factores relacionados con el riesgo, respectivamente. Realizamos experimentos extensos en un conjunto de datos del mundo real. Los resultados mostraron que nuestro método propuesto aumentó la precisión en un 5%~10%, y redujo la tasa de falsos positivos en un 3%~5% en la predicción de riesgos de uso médico concurrente. Nuestro método propuesto contribuye no solo a la investigación clínica, donde ayuda a los médicos a tomar decisiones efectivas y establecer programas terapéuticos apropiados, sino también a la optimización de la aplicación de datos de series temporales multidimensionales para el análisis de big data.