孕产妇临床终点的预测分析一直是医学上迫切需要的辅助诊断手段,然而快速分析得到可能影响孕妇分娩结局的危险因素仍是一项困难的工作。随着数据科学的兴起,特别是深度学习技术的日渐成熟,基于电子病历数据利用深度学习手段来研究孕产妇从孕期到分娩全过程中可能出现的危险因素,可以方便地进行孕产妇临床终点预测。本文基于具有时序特征的孕妇产检数据,改进现有深度模型,实现了孕产妇产后大出血和早产情况等临床终点预测任务的提前预知。当前,大多医院已经建立起完整的电子病历系统,孕产妇的每一次产检电子病历、检验检查记录均保存在数据库中。基于电子病历的数据挖掘已经越来越多地被研究,深度学习方法是研究此类问题的有效手段。目前深度学习技术在电子病历中的应用面临两个问题,一是深度学习往往具有复杂的结构,具有较多直接影响最终模型效果的超参数,而超参数的调节需要较高的调参技巧,这带入了较多的人为因素的影响;二是由于深度模型结构的封闭性导致模型的训练和预测过程处于“黑箱”之中,模型得到的结果无法回溯其产生原因,因此模型得到的结果无法进行合理的解释,然而在医学研究中往往希望能够解释形成决策的原因。为解决深度模型参数难以调节的问题,本文提出利用粒子群优化算法(PSO)对深度模型的超参数进行训练,寻找最优超参数;为解决深度模型结果难以解释的问题,本文利用混合模型的方式,在保证模型效果的前提下,利用传统集成模型XGBoost结果的可解释性构建XGBoost-LSTM混合模型实现最终模型结果具有一定的可解释性,辅助医生进行诊断。本文将上述两种预测模型分别应用于胎儿早产问题、孕妇产后出血问题的研究。实验结果表明,与传统的基于特定时间的截面数据预测以及单一传统模型的预测结果相比,本文提出的模型预测精度更高、结果更稳定,能够在孕妇产时备血、胎儿健康排查等问题上提供决策支持。