ICU医学预测的主要目标是通过研究和分析病患的临床医疗数据,判定其身体状况以及病情的发展趋势。良好的预测模型可以帮助医生更好的制定医疗方案,避免过度治疗以及治疗延误等情况的发生。ICU医学预测依赖于大规模的医疗数据集,但是由于医疗数据获取方式单一,现有的医疗数据集广泛存在样本类别不平衡的问题,严重影响医学预测模型的分析效果。在预测模型构建方面,传统的ICU医学预测模型无法有效感知时序医疗数据局部状态的变化,所以时序数据利用率较低,临床价值较小。因此,研究基于时序医疗数据的ICU医学预测方法具有重要的意义。针对上述问题,本文提出了基于FastDTW的时序数据样本类别平衡化方法以及基于时序状态监督机制的refuse型Bi-LSTM医学预测模型。主要工作如下:1、为了解决医疗数据集广泛存在的样本类别不平衡问题,本文研究和分析了样本类别平衡化方法。引入了 FastWTD算法处理时序数据,平衡各类别的样本数量。提出了基于FastDTW的时序数据样本类别平衡化方法,有效的提高了样本的构造效率和平衡化效果。2、为了提高医学预测模型的分析性能,本课题研究了基于CNN、LSTM的多种医学分类预测模型的构建方法。针对医学预测中数据依赖的局部性特点,本文提出了基于时序状态监督机制的预测模型构建方法,有效的增强了预测模型捕捉时序指标局部变化的能力,提高了模型的收敛速度;针对分类预测问题中未知类别样本对标签类别分类准确率的影响,本文将传统分类问题扩展为refuse型分类问题,并且提出了 refuse型分类模型的构建方法,极大的改善了医学预测模型的分析效果。3、最后通过实验,证明了本文提出的基于FastDTW的时序数据样本类别平衡化方法以及基于时序状态监督机制的refuse型医学预测模型的有效性。