La intensificación del envejecimiento de la población ha generado presión sobre la atención médica pública. Con el fin de reducir esta presión, combinamos el método de clasificación de imágenes con visión por computadora y utilizamos datos de audio que son fáciles de recolectar en hogares de ancianos. Basándonos en MelGAN, aprendizaje por transferencia y Vision Transformer, proponemos una aplicación llamada Risevi (Un Modelo de Predicción de Riesgo de Enfermedades Basado en Vision Transformer), un modelo de predicción de riesgo de enfermedades para hogares de ancianos. Primero diseñamos un método de generación de muestras basado en MelGAN, luego nos referimos al coeficiente cepstral de la frecuencia de Mel y al modelo Wav2vec2 para diseñar el método de extracción de características de muestra, realizamos operaciones de punto flotante en el tensor de las características extraídas y luego lo convertimos en una forma de onda. Luego diseñamos un método de clasificación de características de muestra basado en aprendizaje por transferencia y Vision Transformer. Finalmente, obtenemos el modelo Risevi. En este documento, utilizamos conjuntos de datos públicos y datos de sujetos como datos de muestra. Los resultados experimentales muestran que el modelo Risevi ha logrado una tasa de precisión del 98.5%, una tasa de precisión del 96.38%, una tasa de recuperación del 98.17% y una puntuación F1 del 97.15%. Los resultados experimentales muestran que el modelo Risevi puede proporcionar apoyo práctico para reducir la presión médica pública.