目前,对于重症监护病房(ICU)病人的临床分析主要是关于病人的死亡率预测以及相关的表型分析。然而,在动态变化的临床环境中,它们并未为临床决策提供有效的支持。本文提出了一种同时分析不同器官系统以预测ICU患者病情严重程度的新方法,该方法能够更加直观地反映患者的病情。具体来说,本文使用了一种新的深度学习模型,它是基于多视图的递归神经网络,即MV-RNN。在时间序列表征中,把每个器官系统的生理特征看作是不同的视图,每个视图用单个长短期记忆单元(LSTM)来学习,模型使用多个视图来提升系统性能。同时为了利用不同器官系统之间的时间相关性,本文使用一个共享的LSTM单元来挖掘不同器官系统之间的相关性,从而进一步提高模型的性能。并在一个基于真实世界的临床数据集(MIMIC-Ⅲ)上进行了广泛的实验,且与当前已使用的一些最新的方法进行比较。最终实验结果表明,在动态预测ICU病人病情严重程度的任务上,该方法的预测效果明显优于要比其他现有的方法。此外,在ICU病房,将危重病人的实验室测量值解释为正常或异常,其依据是与健康的门诊志愿者抽样产生的标准参考间隔进行比较。该比较是否有效,至今为止尚未被证明。使用MIMIC-Ⅲ数据库,为ICU患者建立实验室测量值的分布,使用KDE进行平滑处理,并与医院提供的标准参考区间的分布进行比较。根据病人的存活情况及在ICU的住院时间(LOS)将患者分为五个不同的组,并从中选取两组患者分别作为“最佳结果组”和“最坏结果组”。计算了不同分布的重叠系数(OVL)以及标准化平均差(SMD),并用热力图展示了实验室测量值与ICU死亡情况、LOS之间的概率相关。最后得出结论:ICU患者实验室测量值的分布曲线与医院标准参考区间有显着性差异。最佳结果组的与最坏结果组的实验室测量值有显著差异。从图形上看,与标准区间相比,最佳和最差结果组的曲线几乎没有重叠,有着明显的差异。由五个结果组的数据生成的热图显示了实验测量值的差异与结果(ICU存活情况,LOS)存在着概率相关。