本研究中使用的数据来自重症监护医学信息库（Multiparameter Intelligent Monitoring in Intensive Care,MIMIC数据库）,它由医院数据库、医院供货商订单、在线资源、Carevue数据库（CV）与Metavision（MV）数据库5个数据来源或模块整合而成,这导致部分信息存在存储差异,给数据清理,数据整理,数据统一化及分析带来很大难度。我们以MIMIC数据库为基础,根据指标的名称、单位等关键字进行模糊匹配,使用解释器指定指标提取时的标准与规则。对获取的指标,先统计它们的分布情况,再进行数据预处理。经数据处理与分析筛选后,获得了符合诊断标准的所有患者及临床指标信息。对相关度高的参数进行去重,归一化或标准化处理,然后建立Lasso等模型找到影响患者死亡率的独立影响因素,再用网格搜索法对算法的不同参数进行组合并建立多个决策树模型（Decision tree model）与随机森林模型（Random forest model）。最后计算模型的Kappa评分、绘制相应的受试者工作特征曲线（receiver operating characteristic curve,ROC曲线）等作为评估参数进行性能评估以选出最优模型。模型以供研究结果及应用包括如下两方面:（1）整个数据库里,所有进入重症监护室的病的序贯器官衰竭评分（SOFA评分）和死亡率之间的关系;（2）综合临床诊断标准从数据库中提取出了首次因糖尿病（Diabetes Mellitus,DM）入院的高血糖危象患者信息,用糖尿病急性并发症作为案例来评估我们的MIMIC数据库挖掘方法。最终我们建立了一套从MIMIC数据库中对死亡风险进行分析预测的数据挖掘流程。开发的解释器可从不同的数据来源获取并整合相应数据,为进一步建模提供良好的基础。且使用的数据挖掘流程和解释器,可应用于糖尿病急性并发症患者的研究。以糖尿病急性并发症为例,我们验证了相关流程在临床上用于预测相关疾病的死亡率可能性,并可将结果作为临床诊断与治疗的参考。