目前针对肝脏系统功能障碍相关病患的死亡率预测主要使用的方式是通过Apache评分系统进行死亡率预测,相关样本集的提取也以该评分系统的评分表为标准,该方法适用病患群体广、需要的样本数量也低,广泛应用于国内外的重症监护室。本文不同于围绕Apache评分系统进行样本集构建的研究,直接提取MIMICIII与飞利浦eICU协作数据库中的病患数据,通过样本特征筛选、缺失值处理、数据标准化等过程,使得得到的数据维度更高、缺失值更少,针对肝脏系统功能障碍相关病患的死亡预测率也更高。由于数据样本特征的复杂性,结合人工选取与方差对比的方式对样本特征进行了初步筛选。针对样本集中的缺失值部分,我们通过样本特征基尼重要性的分析,选择在MIMIC-III样本集上使用中值填补缺失值,而在eICU样本集上使用众数填补缺失值。在对数据进行标准化后,使用主成分分析(PCA)对样本集样本特征进行了降维处理,并对比了降维前后的样本集训练出的预测模型效果,结果证明未经降维的样本集更具优势。接下来我们使用随机森林、支持向量分类、多层感知器神经网络等机器学习方法,分别在MIMIC-III样本集与e ICU样本集上实现了样本的肝脏系统功能预测、死亡率预测以及肝脏系统功能障碍样本的死亡率预测。同时,为了确认预测模型的稳定性与泛化能力,引入了召回率、f1分数等模型评价指标,对不同样本集下的多种算法模型逐一分析。这里为了验证本文研究方法的有效性,我们对比了使用Apache-IV评分系统进行死亡率预测的效果,发现本文所使用的机器学习算法预测正确率更高。在对预测模型分析的过程中,通过样本特征的基尼重要性对比,我们发现部分样本特征在病患死亡率预测中表现出较高的重要性。同时,对比原始样本集,肝脏系统功能障碍样本集进行死亡率预测时,负离子间隙(Anion gap)表现出更高的基尼重要性,而在去除负离子间隙这项特征后,肝脏系统功能障碍样本集的死亡预测正确率出现了下滑,这表明负离子间隙与肝脏系统功能障碍间存在潜在的联系。