外科手术属于有创的疾病治疗方式,但有时创伤会导致患者身体机能的恶化,甚至引起重要的器官衰竭,最终违背手术初衷。患者手术风险评估在临床外科工作中起着十分重要的作用,它对手术适应症的确定、手术相关危险因素的识别、评分标准的确立以及不同中心手术疗效的比较都具有十分重要的意义。本文基于机器学习方法研究重症患者心脏手术住院时间及风险因素。患者在ICU接受治疗的时间从根本上影响患者的预后效果。本文以3天、7天和14天为界对患者住院时间进行划分,构建了逻辑回归、随机森林和梯度提升决策树（Gradient Boosting Decision Tree,GBDT）模型对患者ICU治疗时间进行合理预测。其中GBDT模型的预测效果最好,预测准确率达到0.712,Kappa系数达到0.333。针对特征维度过大的问题,使用Lasso回归对影响患者住院时间的重要特征进行筛选,发现了手术操作个数、诊断疾病个数、乳酸浓度和血氧饱和度等对住院时间有着显著影响的特征,与相关医学研究结果一致。同时排除了白细胞计数、二氧化碳分压、体温等对患者ICU住院时间没有影响的因素。本文实验中,使用了Lasso回归筛选的特征训练GBDT模型,与训练所有特征的GBDT模型相比,保持了良好的预测效果。说明了Lasso回归的特征筛选结果具有其临床意义,GBDT模型能够准确预测心外科ICU患者的住院时间。针对传统病情评分系统的预测效能随着医疗水平的提升和医学的发展越来越差的问题,本文探索基于机器学习方法的重症心脏手术患者死亡风险预测模型。对于纳入数据中死亡患者占比过少导致的不平衡分类问题,提出了一种代价敏感的Adaboost算法,算法令死亡患者误分的代价高于存活患者误分的代价,使得模型更加侧重死亡患者的识别。结果显示,改进的Adaboost算法相比原始算法仅牺牲了一定的精确度,召回率提高了0.201,F1值提高了0.154,AUC提高了0.097,更有利于心脏手术患者ICU死亡风险的识别。本文从心外科手术患者的治疗时间和死亡率出发,构建GBDT模型实现了ICU治疗时间的四分类预测并取得一定效果,改进了Adaboost模型对死亡率进行预测,相比原始的Adaboost算法更有利于死亡风险的识别。同时使用了Lasso回归方法分析了影响患者治疗时间和死亡率的主要生理指标,对ICU病房的临床研究工作有着参考意义。