脓毒症是一种由感染导致的危重症,是ICU中患者死亡的主要原因之一。脓毒症病情发展迅速,有效抢救时间较短,越晚发现患者生存率就越低,救治的关键在于及时确诊并进行干预治疗。本文根据临床诊断的实际需求基于深度学习和机器学习技术开展了不同场景下对早期脓毒症进行预测诊断的研究,主要包括:根据入院首次检验数据对患者进行脓毒症预测、根据部分检验数据进行分阶段实时脓毒症预测、根据患者住院期间检查的数据对脓毒症进行时序预测等。本文针对上述问题分别提出相应的基于深度学习的网络模型框架并取得良好效果。针对PICU患者入院首次检查脓毒症预测任务,提出了一个基于交叉特征的深度编码网络框架（deep encoding network with cross feature,CF-DEN）。利用树模型内部的路径与节点自动构造高阶交叉特征,并将其输入到深度编码网络（deep encoding network,DEN）中;DEN网络层通过注意机制筛选参与当前层计算的特征并学习非线性特征,每层网络输出当前映射特征进行逐层累加得到最后一层的映射特征。该框架利用基于树的方法和神经网络方法,能有效处理小型临床数据集以获得准确的预测性能。本文在上海儿童医学中心的数据集上对该框架的性能进行了评估。与其他算法相比,模型的AUC和f1-score有明显提高,能够为患者提供更准确的诊断。本文提出了一个基于图神经网络和集成方法的面向实时诊断的脓毒症分阶段预测模型。根据检验项目时长将患者入院检查的6类检查分为三个阶段,研究了能够根据局部信息逐阶段进行实时预测的诊断模型,缩短脓毒症患者第一次接受抗生素治疗干预的时间。该模型以逐阶段自我完善的方式进行学习和预测,模型的预测准确性随着数据完善而逐渐提高。在上海儿童医学中心收集的数据集上检验了模型的性能。当使用第一阶段,第二阶段以及第三阶段检验数据,实时诊断模型的F1分数分别为77.35%,85.71%和86.48%。模型在第二阶段即获得了较高的预测精度,有助于缩短患者等待时间。本文根据患者住院期间的电子健康记录序列,提出了一个脓毒症序列诊断模型,对入重症监护室以来的每个时间间隔进行脓毒症的正负预测。模型分为多维度融合特征构建和快速决策两个阶段。通过路径签名算法和序列特征变换器从时序数据中提取映射向量构建多维度融合特征,序列特征变换器将当前输入数据和历史数据记忆投影到高维嵌入向量中,路径签名算法将患者临床的生理序列数据视为路径,并通过路径累次积分计算签名提供数据沿着不同方向的几何变化;在决策阶段采用快速决策森林模型作为分类器,给出最终预测结果。该序列诊断模型在两个医院的公开数据集上取得了较高的预测精度,有助于医院实现对患者的生理状态的实时监控预警。