随着科技的快速发展,计算机在社会众多领域发挥着举足轻重的作用。2018年是医疗信息化发展的高峰年,在这一年先后出台了多项对医院信息化系统建设具有可操作性的指导文件,从传统的低端数据处理开始转向智能化分析。但是,目前大多数医院无法利用数据进行医学决策,尤其对于如何利用过往重症监护的历史数据进行未来分析仍未能达到满意的效果。本文的主要目的是利用美国麻省理工学院计算生理学实验室以及贝斯以色列迪康医学中心(BIDMC)和飞利浦医疗共同构建的多参数智能重症监护数据库中2001至2012年的重症患者的监测数据,提出对重症患者死亡进行预测的改进算法,以此来提高死亡率预测模型准确度。通过本文提出的改进BP神经网络方法以及LC模型与改进的BP神经网络模型组合的LC神经网络模型对2012年ICU死亡人数进行预测,并对死亡率率进行预测。文章主要针对以下三个方面的问题进行解决:首先,基于MIMIC-Ⅲ数据库中有部分的诊疗数据存在缺失,因为数据丢失极易造成死亡率的误判,如何对缺失数据进行填补成为准确判断死亡率的根本问题。基于此问题本文在缺失数据填补问题上提出了改进的K近邻算法,把填补处理后的数据引入到死亡率预测的预处理阶段,提高死亡率预测的准确度。其次,Lee-Carter(LC)模型一直被公认为死亡率预测的首选模型,是否该模型在MIMIC-Ⅲ数据集上也能得到较好的效果。通过实验结果发现该模型在部分年龄区间的预测结果与实际值误差较大,故本文即为了减少预测结果的误差,又为了避免BP神经网络收敛速度较慢和容易陷入局部最优值的问题,提出了改进的BP神经网络模型对死亡率进行预测。最后,Lee-Carter模型虽然存在一定的局限性,但是否可用其他的方法对其弥补。所以本文提出了该模型与改进的BP神经网络模型进行线性加权的组合模型,发挥LC模型与神经网络的优点,提高了死亡率预测模型的准确度。