脓毒症是一种宿主对感染反应失调引起的危及生命的器官功能障碍疾病。患者由脓毒症引起的组织灌输不足,进而造成的循环系统急性衰竭,被称为感染性休克(又称脓毒症休克)。脓毒症和感染性休克是重症医学领域重要的研究课题,每年患病人数达数百万,其中有四分之一患者因此死亡。临床工作中发现,提前预测脓毒症和感染性休克的风险能够很好地改善患者预后,因此脓毒症和感染性休克的早期预警成了近几年来重症医学领域的热门研究方向之一。而在以往早期预警研究中,研究人员大都以患者入院时的静态特征进行模型构建,很少有从患者动态疾病轨迹角度出发进行研究。本文主要完成以下工作:1)本文针对2016年发布的《第三届脓毒症和感染性休克国际共识》,使用多生理参数智能监护数据库MIMIC-III构造脓毒症3.0版本的感染性休克人群,并获取对应人群的生命体征数据,实验室检查数据,以及其他的一些临床数据。2)基于此数据源类型,本文设计了一个可以动态实时计算患者感染性休克风险的预警模型。本文使用循环神经网络捕捉患者生理变量的疾病轨迹,递进地设计了四种深度网络模型,分别为单采样率循环神经网络、多采样率循环神经网络、多采样率多目标循环神经网络、序列加权的多采样率多目标循环神经网络,解决了疾病预测中存在的时间序列分布不规则、发病点模糊等问题。3)本文在训练集上对四种网络模型进行训练,并在测试集上模拟实时预警输出。实验结果表明,本文设计的网络模型在本数据集上表现良好,在即时预测时在测试集auc上能达到0.91,提前6小时预测时auc能达到0.83,能够有效地对感染性休克提供提前预警功能,且性能优于逻辑回归等简单模型。