智慧医疗是将计算机、大数据、临床医学三者融合,在庞大的数据量的基础上,对患者的救治、分诊、预后等进行更加精准、科学的决策,以达到降低患者的死亡率和发病率,提高患者的生活和生存质量的目的。目前我国正在大力推进全民“大健康”,数据挖掘、机器学习等方法已经在各个医学分支领域得到了广泛的应用,产生了巨大的经济效益和社会效益。创伤失血性休克是创伤患者死亡的主要原因之一,也是占比最大的潜在可预防性因素,创伤患者往往存在病情复杂多变且发展迅速的特点,而失血性休克在早期又难以识别,患者一旦发病死亡率极高。因此探究影响创伤失血性休克的关键风险指标,对患者的结局进行提前预测预警,并提示患者的疾病风险程度,从而实现创伤失血性休克患者的“早识别、早诊断、早救治”,对于提高患者的生存率具有重要的意义。本文以中国人民解放军总医院的急救数据库和美国麻省理工大学的MIMICⅢ数据库为基础,针对创伤失血性休克这一病症,在专业临床医生的指导下,设计研究实验的纳入排除标准,从中提取相关患者的医学指标数据,通过Python进行数据预处理,并基于极端梯度提升(XGBoost)算法结合序列前向搜索策略筛选出13个关键风险指标及其特征权重,其中5个生命体征指标(收缩压、舒张压、心率、呼吸频率、体温)所占的特征权重最大。然后通过小时化切片的方式将数据处理成规整的时间序列,设置合理的时间窗参数,结合决策树、随机森林、基于决策树的自适应加强(Adaboost)算法和极端梯度提升(XGBoost)算法四种树结构的机器学习算法构建时间窗预测模型,分别带入急救数据库的关键指标和全指标数据集合对疾病进行提前预测,并通过MIMICⅢ数据库进行外部验证。结果显示:关键指标集合的预测效果相较于全指标来说差距不大,个别时间参数和算法的组合效果甚至更好;且所需的数据维度和运算时间也大幅缩短,距离结局越近的时刻其预测效果越准确;其中XGBoost算法的预测效果要明显优于其他三种;同时外部验证的效果虽不如内部验证,但仍能够证明时间窗预测模型的泛化能力较好。最后,在以上研究的基础上,综合考虑指标采集和临床应用的经济效益与时间效益,选取关键风险指标中的5个生命体征指标,使用多因素Logistic回归方法,基于急救数据库,结合临床医生给出的指标分级共识,构建简易的创伤失血性休克风险评分工具,并与传统风险预测方法进行对比,最后通过MIMICⅢ数据库进行外部验证。结果显示:基于数据驱动的创伤失血性休克风险评分工具能够有效地预测创伤失血性休克患者的结局,并指示其风险程度,同时该方法同样能够适用于MIMICⅢ数据库,有一定的泛化能力,临床应用的意义较大。