目的:本研究旨在系统评价机器学习算法预测脓毒症发病及病死率研究的方法学和预测模型,提出机器学习预测研究报告标准,并以此为基础创建危重症患者数据集,进行脓毒症发病和预后预测研究。方法:研究分为两个部分。第一部分为系统评价（systematic review）研究。检索中国知网、万方数据库、Pub Med、Web of Science等数据库中机器学习算法用于脓毒症预测文献,时间从2010年1月至2020年5月。选择受试者工作曲线下面积（Area Under Receiver Operating Curve,AUROC）作为评价模型预测效果的指标,对数据来源和预处理方法、脓毒症诊断标准和特征工程方法、纳入的特征和模型预测效能进行评价。总结现有研究不足,提出适用于临床的机器学习预测研究报告标准。基于研究一所提出的标准,我们构建以脓毒症为主疾病的国人危重症数据集,并采用机器学习/深度学习技术建立脓毒症发病与预后模型。数据集纳入的指标包括临床评分、基本生命体征、各类生化检测指标以及临床诊断和结局。对源数据进行清洗、缺失值处理、数据标准化处理,最后采用支持向量机模型（SVM）和长短期记忆模型（LSTM）分别预测急危重症患者脓毒症发病和病死率。结果:在系统评价部分,经过文献检索和筛选,共纳入14项研究。其中11项研究旨在对脓毒症的发病建立早期预警模型,3项研究预测脓毒症患者的病死风险。各研究对于脓毒症定义、数据预处理的方法、特征处理及纳入种类、算法选择等相差较大。各模型的AUROC值高于传统的临床评分预测工具。越接近脓毒症发病时间点,AUROC值越高。多数研究采用机器学习算法作为特征工程方法,显著提高AUROC值。鉴于各研究方法学之间的差异过大,为形成统一的研究范式,本研究借鉴诊断准确性研究报告国际标准（standards for reporting diagnostic accuracy,STARD）,构建了适用于脓毒症机器学习预测研究的研究报告表。在研究的第二部分,我们建立了一个以脓毒症为主疾病的国人危重症数据集,共纳入158例患者。其中脓毒症患者75人,存活21人,死亡54人,非脓毒症患者83人,存活46人,死亡37人。在完成数据清洗后,首先采用随机森林法进行特征提取,初期时间序列特征为22个/天,发病预测降至9个/天,病死率预测降至12个/天。继而采用SVM和LSTM构建脓毒症患者发病预测模型,其预测准确度分别为0.675和0.775,AUROC分别为0.671和0.803。同时还构建了死亡预测模型,其预测的准确度分别为0.775和0.825,AUROC分别为0.74和0.893。结论:本研究发现,既往的针对脓毒症的机器学习研究在方法学质量上参差不齐,尤其是在数据集构建、特征工程以及脓毒症诊断标准等方面差异甚大,严重影响了最终模型的准确度、稳健性和可重复性。基于循证医学诊断性研究报告国际标准STARD,我们提出了用于脓毒症机器学习算法模型研究的规范性方法。进而构建了规范性和时序性的国人危重症数据集,并引入SVM和LSTM算法构建了脓毒症发病和病死预测模型。LSTM算法的准确度和AUROC均高于SVM,可作为开发临床预测工具的最佳候选模型之一。