重症监护室(ICU)中的插管是一种常见的挽救生命的干预措施,有助于防止病人的窒息。插管是一个高风险的过程,由它引起的并发症可能对肺部、其他器官和有机系统产生明显的副作用,并且可能是造成机械通气患者危重症发病率和死亡率增加的重要因素。由于ICU中存在着复杂多样的监控数据,预判病人是否需要插管对于ICU临床工作人员是一项挑战性的任务。在本文中,我们提出了一个端到端的深度学习框架,将静态和动态的ICU数据结合起来进行插管预测。在该框架中,卷积神经网络和递归神经网络被用来对时间序列数据进行建模,并将学习到的动态特征与静态数据特征相融合。我们的方法在真实的临床数据集(MIMIC-Ⅲ,PhysioNet)上进行评估,并与一些传统的机器学习方法及现有的最新方法进行比较。实验结果表明,我们的方法AUC达到了0.8379,性能超过了其他传统方法和最先进的方法。本文的主要贡献如下:(1)本文首先利用传统的机器学习方法对ICU病人的插管进行预测,设计了有效的数据采集方式来解决ICU数据量较少和数据不平衡的问题,并设计了一个集成学习的模型来改进性能。(2)针对ICU时序数据,本文将插管预测考虑为时间序列分类问题,首先对时间序列进行离散化,同时针对序列数据中普遍存在的信息缺失问题,引入了两种表示来刻画缺失的模式,然后分别利用CNN和GRU进行时间序列分类,避免人工设计特征,并较大地提升了预测性能。(3)本文设计了一个CNN与GRU的深度集成网络用于时间序列分类,并最终提出了一个端到端的深度学习集成框架,将ICU时序数据与静态数据结合起来进行插管预测,该集成框架的性能明显优于传统机器学习方法以及目前先进水平的深度集成框架。