脓毒症（Sepsis）是一种由于人体免疫系统对于感染的反应失调所引发的多种组织损伤、器官衰竭甚至导致死亡的致命疾病,其发病率与死亡率在全球范围内均居高不下。对于脓毒症可靠的早期发现至关重要,研究表明,如果脓毒症患者得不到及时的治疗,其器官损伤程度和死亡率都将大幅上升,对患者健康造成不可逆的危害。目前,在对重症监护病房（ICU）患者的治疗过程中,实现脓毒症发作时间的早期预测仍是一项重大挑战。同时,现有的研究工作虽然提出了多种适用于该问题的AI模型,但其模型不具有可解释性,难以满足临床决策支持的实际需要。基于此,本文旨在分析2019年PhysioNet/心脏病学计算挑战赛共享的ICU患者的电子病历数据,设计并开发一套基于改进的机器学习方法的自动识别患者脓毒症发作时间的风险预测模型,以期在临床发作前的6至12小时内,实现对脓毒症的早期预测;同时对该预测模型进行可解释性分析,挖掘出预测脓毒症发作的主要影响因子,继而提高模型的可解释性与可靠性。首先,本文聚焦于对数据集的探索与挖掘,分析了数据分布特点,通过预处理有效地解决了数据不平衡、缺失率高、数据质量低等问题,构建了高质量的样本集。然后,本文根据数据集特点设计了特征扩展方案,在40个原始特征基础上提取了三组新特征:对缺失数据信息的挖掘（102个）、基于滑动时间窗口的统计特征计算（30个）,以及基于临床评估量表的经验特征的提取（8个）,从而提高了数据的可用性与多样性,后续实验证明了数据预处理与该特征工程在提高预测准确率等多种评估指标方面的有效性。接着,本文针对脓毒症早期预测任务,分别开发了基于随机森林、XGBoost与集成学习的三组预测算法,并对三种预测模型进行训练、优化、验证和评估,最终得到的最佳模型（基于异质集成）的效用分数可达0.4601,AUROC为0.8615;最佳XGB oost全模型的效用分数为0.4588,AUROC为0.8608;最佳随机森林全模型的效用分数为0.4274,AUROC为0.8465。本文所提出的模型的性能可媲美或略优于基于相同数据集的其它研究。同时,本文使用经特征筛选得到的特征子集,重新训练了相应的简化模型（Compact model）,该简化模型被进一步应用于后续分析中。最后,本文采用了两种可解释性分析方法,对所开发的最佳简化模型,分别从特征重要性和各特征对模型输出的影响模式两方面进行了解析。首先,本文创新性地将Morris敏感性分析方法应用于机器学习模型的分析中,通过对各个变量值添加扰动,计算各个变量值对模型输出的影响程度,从而检测出最重要的变量;同时应用了另一种基于博弈论中边际贡献的可解释性分析模型SHAP,作为Morris方法的对比和补充。可解释性分析的结果表示,Temp（体温）、ICULOS（ICU入院时长）、HR系列（心率相关）、FiO2系列（吸入氧气分数相关）、Resp（呼吸频率相关）以及MAP系列（平均动脉压相关）等特征是脓毒症早期预测的主要风险指标,且当Temp与ICULOS数值越大或HospAdmTime特征越小时,模型做出脓毒症诊断的可能性也随之增加。分析结果与现有临床经验相一致,这为模型的可解释性和可信度提供了有力支持,同时为临床提供了一定启发。综上,本文建立了完整的脓毒症早期预测与分析的数据处理链路,训练并优化了机器学习预测模型,并对模型的可解释性分析开展了一系列的深入研究,最终以较高性能完成了预测任务;同时,通过应用可解释性分析,实现了对模型输出的定性与定量解释,从而提高了模型的透明度与可信度,为该系列模型在临床中的实际应用提供了理论保障。