张力戈，陈芋文，秦小林，易 斌，李雨捷

1.中国科学院 成都计算机应用研究所，成都 610041

2.中国科学院大学，北京 100049

3.中国科学院 重庆绿色智能技术研究院，重庆 400714

4.陆军军医大学 第一附属医院，重庆 400038

围术期患者出现危重症，不仅会增加患者的医疗费用，影响患者的康复结果[1-2]，甚至会导致患者死亡。Khuri等[3]研究表明术后30天内发生严重不良事件的患者中位生存时间减少69%。短期手术并发症的长期后果对患者生命健康和生活质量有深远的影响[4]。有效预测危重症风险有助于医生及时诊断和治疗患者，避免药物过度使用，有利于医院资源的合理配置，同时降低患者的痛苦和死亡率。患者的各种监测指标在危重症预测中起着重要作用，结合这些指标对患者围术期危重症的预测更具有实用性和针对性。

目前，机器学习在医学领域得到了广泛的应用。Ramana等[5]利用支持向量机、C4.5决策树、BP神经网络等完成基于肝脏文本数据集的诊断分类。Patricio 等[6]使用Logistic 回归、支持向量机和随机森林分类算法基于血液样本数据预测乳腺癌。Aljaaf等[7]提出了一种基于C4.5决策树的心力衰竭多层次风险评估方法。Otoom等[8]提出了分析监测冠状动脉的系统，他们的数据集有76 个特征，只有13 个特征被使用。Demsar 等[9]证明少量的特征可以携带足够的信息来建立合理准确的预测模型。Sharma 等[10]使用改进的灰狼算法进行特征选择和预测患者帕金森风险，估计准确率达到94.83%。Lucini等[11]使用数据挖掘方法结合机器学习算法来预测患者未来的住院和出院情况。……