目的:描述严重COVID-19临床特征及危险因素。建立并验证一种重症COVID-19发生和死亡风险的预测模型。方法:这是一项多中心的回顾性研究,通过收集2020年1月-2020年10月来自世界15个国家经新冠病毒核酸检测阳性并住院治疗的3609名患者的临床资料。首先,基于武汉队列83名患者的完整临床资料,通过单因素和多因素回归分析,初步分析探索与重症COVID-19相关的危险因素。然后,在前面研究的基础上,扩大样本量,将3609名患者,随机分为模型训练组和验证组,在LASSO回归模型中选择非零回归系数的临床指标,筛选出重症COVID-19发生和死亡的最佳危险因素。然后整合LASSO回归模型中选择的临床指标,引入多因素Logistic回归分析方法,构建列线图。检验标准定义以P≤0.05具有统计学意义。绘制出受试者工作特征（ROC）曲线,计算曲线下面积（AUC）用于检验列线图在训练组和验证组中的性能;利用校准曲线评估在训练组和验证组中实际结果与列线图预测结果的符合程度。如果AUC＞0.75,则认为我们建立的预测模型有较好的预测性能,而在0.5～0.75则被认为可接受。最后计算出净收益,绘制出决策曲线,使用决策曲线分析（DCA）方法,用以判断列线图的临床效用。结果:1、老年、高C-反应蛋白、淋巴细胞减少是重症COVID-19的三个独立危险因素。2、体温（Temp）、谷草转氨酶（AST）、白细胞（WBC）、C反应蛋白（CRP）、血钠（Sodium）、（血钾Potassium）、尿素氮（BUN）、血小板（Platelets）、呼吸频率（RESP）、心率（HR）、动脉血乳酸（LAC）、手指脉搏血氧饱和度（SPO2）与重症COVID-19的发生有显著的相关性。利用LASSO回归选取12个变量构建预测重症COVID-19发生风险的列线图。训练组和验证组的曲线下面积（AUC）值为0.963和0.0.962,校准曲线表现出良好的一致性。决策曲线分析表明训练组和验证组分别在广大风险范围内,显示出很大的正向收益率。3、年龄（age）、体温（Temp）、C反应蛋白（CRP）、血钾（Potassium）、尿素氮（BUN）、血小板（Platelets）、心率（HR）与重症COVID-19的发生死亡有显著的相关性,利用LASSO回归选取7个变量构建预测重症COVID-19发生死亡风险的列线图。训练组和验证组的曲线下面积（AUC）值为0.816和0.844,校准曲线表现出良好的一致性。决策曲线分析表明训练组和验证组分别在广大风险范围内,显示出较好的正向收益率。结论:1.老年、高CRP、淋巴细胞减少是重症COVID-19的独立危险因素;2.我们建立了一个相对准确的列线图,可以较准确预测重症COVID-19发生的风险;3.我们建立了一个相对准确的列线图,可以比较准确预测重症COVID-19发生死亡的风险。