重症监护室(ICU)是医院的重要构成部分。在ICU中,医护人员通过各种先进的监测设备,对收治的病人实施集中的强化治疗和精心护理,以便最大程度地确保病人的生存。重症病人在进入ICU后,进行死亡率预测和健康状态监测,以便实现医疗资源的合理分配和患者病情的准确诊断。新入住的ICU患者病情状态多样,以往离线的平均模型很难给出准确的结果,也不能跟踪患者的健康状态,监测效果不好。本文根据相似输入得到相似输出的研究思路,构建即时学习与机器学习的自适应模型框架,重点研究ICU患者的死亡率预测和健康状态监测两部分内容。本文把即时学习与极限学习机结合起来用于ICU患者的死亡率预测,其中即时学习从历史数据库中选择与当前输入样本最相似的数据构成训练数据集,极限学习机用于构建局部的个体化模型。选择PhysioNet数据库中的4000个病例,选用24个生理参数,构造137个特征进行实验,实验结果表明本文方法与传统的死亡率评价方法和单独基于机器学习的方法相比,预测效果均有较大提高。与死亡率预测相似,本文把即时学习与主元分析结合起来用于ICU病人的健康状态监测,实验选择MIMIC Ⅱ数据库中的12名ICU病例,实验结果表明本文方法能够自适应地跟踪患者的状态,对患者异常状态有高度敏感性,相比于传统主元分析算法和自适应主元分析算法,其异常状态检出率分别提高约20%和47%。