目的:以往心衰患者预后风险评估多采用Cox比例风险模型,但是该模型受到严格的线性比例风险假定的限制。本研究通过构建基于神经网络的Cox模型来解除经典Cox模型的线性比例风险限制,对变量之间存在复杂关系的慢性心衰患者数据建模,实现对其更加准确的个体化预后风险评估,以识别高危患者,进一步指导临床医生选择合适的治疗方案提高患者生存率并避免不必要的治疗。方法:本研究包含两部分数据:1.四个在生存分析领域中常用的基准数据库（SUPPORT、METABRIC、GBSG、FLCHAIN）;2.收集山西省两所三甲医院2014年1月1日至2019年2月15日期间,明确被诊断为慢性心力衰竭且符合本研究纳排标准的患者病历数据。首先利用四个变量数目不同、删失率不同、比例风险假定满足情况不同的基准数据库对传统Cox模型和三种基于神经网络的Cox模型（Deepsurv、Cox-CC、Cox-Time）的区分和校准能力进行验证,然后在心衰患者数据中,通过单因素Cox模型初筛变量,分别构建Cox、Lasso-Cox和三种基于神经网络的Cox模型（Deepsurv、Cox-CC、Cox-Time）对心衰患者预后风险进行评估,利用Ctd和IBS评价不同模型的表现。结果:1.四个基准数据集中,在Ctd和IBS两个评价指标的表现上,经典Cox模型表现最差。Deep Surv和Cox-CC这两种方法基本原理类似,相应的Ctd和IBS结果非常接近。Cox-Time的综合表现是最好的,在三个基准数据集上都取得了最优的Ctd和IBS值,但在FLCHAIN数据集（该数据集中变量基本都满足风险比例假定）上表现一般。2.在心衰患者数据中,Cox模型在Ctd和IBS两项指标的表现上均为最差(Ctd:0.776,IBS:0.098)。Lasso-Cox的表现较Cox模型有所提高(Ctd:0.794,IBS:0.096)。两种考虑到协变量非线性关系的模型Deepsurv和Cox-CC表现相差不大,Ctd分别为0.816、0.812,IBS分别为0.093、0.094,均有着很好的判别能力和校准能力。Cox-Time模型的Ctd为0.829,IBS为0.084,表现最好,说明其对患者预后预测更加准确,能够更为准确地评估患者预后生存率和生存时间。结论:本研究使用了三种新型的基于神经网络的Cox模型（Deepsurv、Cox-CC、Cox-Time）来建立慢性心力衰竭患者预后风险评估模型,并与传统的Cox模型、Lasso-Cox模型相对比。结果显示Deep Surv、Cox-CC这两种模型利用神经网络特性很好地刻画了变量间复杂的非线性关系,取得了较传统生存分析模型更好的表现;Cox-Time模型在Deep Surv、Cox-CC的基础上,引入了时间协变量,进一步对比例风险假定进行了拓展,取得了更好的区分和校准能力;相较于其他模型,Cox-Time这种限制较少的模型更适用于变量间存在复杂关系、不满足线性比例风险假定的真实世界数据的生存分析研究。基于神经网络的Cox模型可以提高心衰患者预后预测的准确性,对患者进行个体化风险评估以识别高危患者,为进一步有效干预提供决策基础,具有实际应用价值。