脓毒症由于发病机制复杂,常伴随多种并发症且病程发展迅速,给临床诊断和预后带来了极大的困难,已经成为世界第三大死因。寻找生物标志物以便提前识别脓毒症和及时治疗,是降低死亡率的关键。现有利用机器学习从大数据中找标志物的方法往往面临数据缺失,以及模型可解释性不足等问题。纳入全面的潜在危险因素,利用可解释性机器学习方法发现脓毒症早期生物标志物,具有重要的理论与临床意义。在收集整理武汉同济医院相关临床数据的基础上,利用集成学习和模型解释方法对脓毒症进行风险预测和危险因素分析。首先,在分析了医疗数据的高维稀疏性、异构和不规则采样等特点后,对可采用的特征筛选、集成学习以及模型解释方法等进行了分析。其次,针对电子健康记录特点,设计并实现一套针对多源异构医疗事件的数据抽取框架,将杂乱无章的原始医疗记录转化为结构化的病人表征向量;提取并且清洗建立了脓毒症研究数据集,包括普通脓毒症和新型冠状病毒肺炎（COVID-19）脓毒症数据集。最后,针对数据集高维稀疏特征空间、特征高度相关以及冗余特点,设计了一种结合特征筛选和梯度提升树的可解释性脓毒症风险预测模型。基于梯度提升树变量重要性对特征进行排序,通过迭代剔除冗余特征,在最优子集上训练模型。然后利用事后模型解释方法对最优预测模型进行解释验证。提取到2012年至2019年在同济医学院检验科做过血培养的44926名病人,以及2020.2-3月确诊为COVID-19的4207名患者。从中匹配到普通脓毒症数据集16051例,脓毒症阳性6329例和阴性9722例;COVID-19脓毒症数据集2453例,新冠脓毒症1376例,新冠非脓毒症1077例。预测模型在普通脓毒症数据集上取得91.17%的受试者操作曲线下面积（area under the receiver operating characteristic curve,AUC）和83.07%的准确率;在新冠脓毒症数据集上取得93.49%的AUC和91.03%的准确率。解释方法找出了儿童高风险的证据,并分析了凝血功能和炎性因子对新冠脓毒症的影响。利用炎性因子等45个指标能够提前平均3.68天预测新冠患者凝血异常,准确率和AUC分别达到88.57%和94.31%。