颠覆性技术为普及医疗保健领域的许多方面提供了前所未有的机遇，从物联网（Internet of Things, IoT）的应用到机器学习（Machine Learning, ML）技术的运用。作为强大的工具，机器学习已广泛应用于以患者为中心的医疗解决方案中。为了进一步提高患者护理质量，电子健康记录（Electronic Health Records, EHRs）在医疗机构中被普遍用于分析。由于电子健康记录具有高度非结构化、不平衡、不完整和高维的特点，应用人工智能（AI）和机器学习对其进行预测和诊断分析是一项关键任务。降维是处理高维电子健康记录数据的常用数据预处理技术，其目标是在改进后续数据分析性能（如分类）的同时减少电子健康记录表示中的特征数量。本研究提出了一种高效的基于过滤器的特征选择方法——曲率基特征选择（Curvature-based Feature Selection, CFS）。所提出的CFS方法利用了门格曲率（Menger Curvature）的概念来对给定数据集中所有特征的权重进行排序。该方法在四个知名电子健康记录数据集上进行了评估，包括宫颈癌风险因素数据集（Cervical Cancer Risk Factors Data Set, CCRFDS）、科英布拉乳腺癌数据集（Breast Cancer Coimbra Data Set, BCCDS）、乳腺组织数据集（Breast Tissue Data Set, BTDS）以及德布勒森糖尿病视网膜病变数据集（Diabetic Retinopathy Debrecen Data Set, DRDDS）。实验结果表明，所提出的CFS方法在这四个数据集上的表现优于传统的主成分分析（Principal Component Analysis, PCA）和其他最新的方法。所提出方法的源代码已公开发布在https://github.com/zhemingzuo/CFS。