機器學習已被應用於多個領域且在醫療預測方面亦已取得成效，目前臨床上尚無針對肝硬化病人在重症環境中的評估量表，因此本研究期望能利用機器學習方法建構肝硬化重症病人之死亡預測模型。研究採電子病歷回溯性調查，以東部某區域醫院2013年8月1日至2015 年 12 月31日入住加護病房之肝硬化287位個案進行分析，透過R語言使用五種學習方法：Bagging、GLM、AdaboostNeyman-Pearson、Stacking 分別建構五個模型，並且和臨床傳統常用的肝病病人嚴重度評估量表CTP score、MELD score以及常用於重症加護病房疾病的評估量表APACHE II進行比較。本研究建構的五個機器學習模型準確率達八成以上，其中Neyman-Pearson 預測效果最佳準確率86.2% (AUC=0.871)，且皆優於以傳統臨床評估量表APACHE II (AUC=0.806)、MELD score (AUC=0.755)、CTP score (AUC=0.747) 建構的死亡預測模型，其預測結果期望能夠提供醫療人員決策參考。