目前各大医院的重症监护室(Intensive Care Unit，简称ICU)在对病人的监护中存在着急性低血压(Acute Hypotensive Episodes，简称AHE)的抢救和护理难题， AHE的发生对病人有着严重的威胁，可导致病人休克或死亡。如果能够提前对AHE的发生进行自动预测，则将具有深远的临床意义，可以为医护人员分析病情进而采取相应有效的措施争取更多的时间。在 ICU里面，监测仪器可以实时监测病人的各种病理信息，如心率、血压、体温等，但是这些设备均不具备自动对病人的病情进行提前预测的功能，例如AHE这种棘手的病症都需要医生花很多的时间去实时检测病人的病理信息进而去判断病情。　　然而监测仪器产生的丰富的数据有很大的潜在利用价值，能够采用相应的方法对其进行分析、挖掘，将对ICU中疾病的预测提供极大的可能性。对于 ICU里面常发生的AHE，本文提出一种利用病人血压信号来进行预测的方法，数据经过预处理后，首先采用K均值(K-means)聚类算法对病人的血压信号进行特征提取，然后利用粒子群优化算法(Particle Swarm Optimization，简称 PSO)优化K-means初始聚类中心重新进行提取特征，将得到的相关聚类特征值再结合相关血压统计量利用随机森林（Random Forest）对有无发生急性低血压进行分类预测。实验结果表明，采用本文提出的预测方法对2063个病人的数据进行 AHE预测分析，预测准确性可达80％以上，其中灵敏性为83.1%，特效性为80.4%，并且可以列出特征的重要性排名，具有不错的临床研究价值。