电子病历数据记录了从患者入院到出院的整个就诊过程的数据,使数据驱动的临床预测成为可能。重症监护病房的患者结局预测与干预选择、护理计划和资源配置密切相关,准确评价患者死亡风险、早期识别预后较差的人群并及时采取干预措施是提高患者生存率、改善生理结局的关键。ICU患者死亡风险预测研究可以分为患者特征表示和构建死亡风险预测模型两大部分。本文从这两个方面入手,在患者表示上基于遗传算法探究了不同死亡风险预测任务下的重要统计量,在构建死亡风险预测模型上提出了基于K-means的动态集成学习算法。具体研究内容如下:(1)在患者表示层面,基于统计量的患者时间序列表示方法在现有研究中被广泛采用。但已有研究中仅采用了简单的统计量或其组合,为什么选择这些统计量缺乏论证,也缺乏相关的研究来评价不同统计量的重要性。本文探究了短期、院内和长期的患者死亡预测任务下用于患者生理时间序列表示的有效统计量,为评价不同预测任务下时间序列的重要统计量提供理论和实验支持,同时也为搭建预测模型提供有效的患者表示。(2)在构建死亡风险预测模型方面,有很多研究提出不同思想的集成学习算法,但少有研究应用聚类算法提升基分类器多样性,且在融合策略上对于不同的样本都基于统一的权重向量,难以体现样本的个性化。本文提出一种基于K-means的动态集成学习算法(Dynamic Ensemble Learning Algorithm based on K-means,DELAK),并将其应用于ICU患者死亡风险预测。为了验证提出的集成算法在ICU患者死亡风险预测的优越性,在实验中分别与与单一分类器、不同融合策略、经典集成算法和临床评分系统的预测效果进行了比较。通过对不同统计量组合的分析,本文发现了不同死亡风险预测任务下的有效统计量,可以为后续构建有效患者表示的相关研究提供一定的参考。另外,本文提出的动态集成学习算法相比于其它集成算法和融合策略都取得了较好的预测性能,也比临床上广泛采用的评分系统的预测效果有显著的提升,体现了本文提出集成算法的有效性。