目的(1)了解重症ADs患者病死率;(2)探讨影响重症ADs患者死亡的危险因素;(3)构建重症ADs患者死亡风险预测模型并验证。方法采用横断面研究,使用结构化查询语言对MIMIC-Ⅲ数据库进行数据挖掘,根据ICD-9代码,从数据库中筛选出ADs人群。使用STATA 16.0、R 4.2.1和SPSS23.0软件探讨影响重症ADs患者死亡的危险因素,在筛选出预测模型变量后,使用Logistic回归、随机森林KD025以及决策树构建重症ADs死亡风险预测模型,对三个模型进行内部验证,最后依据模型NSC 127716体内实验剂量的评价指标从三个模型中选出最优模型。结果(1)重症ADs患者病死率为28.49%。(2)重症ADs患者预后影响因素单因素分析:患者相关因素:年龄、体温、呼吸、血氧饱和度、尿量、住院时长及ICU住院时长、氯离子、钠离子、碳酸氢盐、血小板、血清尿素浓度、血肌酐在两组间差异有统计学意义(均有P<0.05);疾病相关因素:充血性心力衰竭、恶性血液病、器官功能障碍、脓毒症、器官衰竭、抑郁和感染在两组间差异有统计学意义(均有P<0.05);医疗护理相关因素:OASIS、SAPSII、MELD、APSⅢ、Elixhauser、SAPS、SIRS、GCS、SOFA、LODS、机械通气、气管插管、外科手术、液体电解质治疗在两组间差异有统计学意义(均有P<0.05)。(3)预测模型构建与验证:在Logistic回归中,机械通气、抑郁、氯离子>106、外科手术和Elixhauser评分>12.5为预测因子;在决策树中,SAPSII、Exlixhauser、气管插管、机械通气、尿量、APSⅢ、MELD评分为预测因子;在随机森林中,尿量、体温、氯离子、SAPSII、Exlixhauser评分、ICU住院时长、感染和年龄是模型中影响比较大的预测因子。Logistic回归、决策树、随机森林:AUC值分别为0.699、0.675、0.770;灵敏度分别为0.28、0.32、0.38;特异度分hospital-acquired infection别为0.94、0.90、0.92;阳性预测值分别为0.65、0.54、0.64;分类正确率分别为0.76、0.73、0.77。Logistic回归、决策树、随机森林三个模型AUC之间的差异是否有统计学意义(P取0.0167):Logistic与决策树的AUC差异无统计学意义(P=0.547);logistic与随机森林模型AUC差异无统计学意义(P=0.044);决策树的AUC(0.675)小于随机森林的AUC(0.770),且差异有统计学意义(P=0.002),因此这两个模型之间,随机森林的预测能力更好。结论(1)重症ADs的患者预后依旧是医务工作者需要长期关注的问题,本研究中重症ADs患者的病死率为28.49%。(2)重症ADs患者预后受多种因素影响:机械通气、氯离子、Exlixhauser多次进入到模型中,而体温、年龄、APSⅢ、SAPSII、气管插管、尿量、外科手术、抑郁、感染、MELD评分和ICU住院时长等变量有时进入到预测模型,有时并未被纳入模型,说明这些因素虽然对患者预后有影响,但影响力不及前几个因素显著。(3)重症ADs患者病死率预测模型:结合灵敏度、分类正确率、AUC值和三个模型的预测效能统计分析结果,随机森林模型表现最好,最终,本研究采用随机森林模型预测重症ADs患者的预后。