目的:急性肾损伤(Acute Kidney Injury,AKI)是临床中的常见并发症,在ICU中发病率较高、死亡率高,医疗花费成本高,对急性肾损伤进行早期预测预警有助于辅助医护人员及早识别患者的恶化风险,在早期对患者进行干预以预防进一步的损害。随着电子健康档案的发展以及数据挖掘、机器学习方法在医疗领域中的应用,我们得以用大数据的研究方法对医疗数据进行挖掘,探究疾病的演化规律,这为我们深入研究AKI,发展AKI的预测预警模型提供了机会。然而对电子健康档案的二次分析面临的一大问题是数据的稀疏性与采样的不均衡性造成的数据缺失,应用电子健康档案(Electronic Health Records,EHR)时间序列首先需要对缺失值进行处理。本研究将探讨针对医疗时间序列如何选取插值方法,并基于集成学习与深度学习方法构建AKI预测预警模型,为医护人员提供更好的决策支持。方法:本研究首先ⅰ.)探讨了连续动态生理数据中缺失值的插值方法,评估高斯过程(Gaussian Process,GP)在处理生理信号缺失中的有效性。ⅱ.)基于机器学习方法LightGBM模型探索AKI预测模型,在公开的大型ICU数据库重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC-Ⅲ)中采用患者 24 小时内首次生理生化测量值预测患者的发病风险。ⅲ.)采用多变量注意力机制长短期记忆网络-全卷积神经网络模型(MALSTM-FCN)构建AKI时间序列预测模型,以患者入ICU后的时序数据预测当前时间往后第2h、6h、12h以及第24h发展为AKI的风险,并评估不同的缺失值的处理方法对模型性能的影响。结果:ⅰ.)高斯过程在处理生理信号缺失问题中表现优异,在连续缺失与非连续缺失两种缺失模式下,均方误差(Mean-Square Error,MSE)均为最低。ⅱ.)MIMIC数据库中满足条件的21722名患者中,有8694名患者发展为AKI,发病率为40.0%。以患者首次测量值构建AKI预测模型,LightGBM模型表现最佳(LightGBMAUC 0.93,ACC 0.87;随机森林 AUC 0.90,ACC 0.86;Logistic 回归 AUC 0.74,ACC 0.75)。ⅲ.)MALSTM-FCN时间序列预测模型及LightGBM模型结果显示,提前2h、6h预测的最佳AUC分别为0.908(LightGBM-线性插值模型)和0.902(MALSTM-GP插值模型、LightGBM-线性插值模型),第12、24小时最佳的AUC分别为0.890(MSLATM-GP插值模型),0.877(MSLATM-GP插值模型)。预测准确率最高的模型为MSLATM-GP插值模型,在2h、6h、12h及24h的预测准确率分别为0.819、0.818、0.806 和 0.798。结论:机器学习方法为我们发展疾病预测模型提供了有效的手段,在处理生理信号缺失问题中,高斯过程插值表现优异。采用高斯过程对EHR缺失数据进行插补并构建AKI时序预测模型,提前2h LightGBM-线性插值预测模型的AUC可达0.908,MALSTM-高斯过程插值模型在提前6h、12h、24h的模型中表现最佳,AUC可达0.902、0.890 和 0.877。