風險預測管理在臨床研究和醫療照護中意義重大，尤其肝硬化病人與一般重症病人相比 預後較差，但目前尚無針對肝硬化病人長期死亡風險的預測指標，因此本研究試圖使用機器 學 習 方 法：Bagging、Adaboost、Support Vector Machine (SVM)、Random forest建 構 預 測 模 型。研究納入2013年7月1日至2018年12月31日就醫的528名個案並追蹤至2020年6月，並 與目前臨床肝硬化嚴重度量表：Child-Pugh Score (CTP)、MELD Score (Original)、MELDNa Score、MELD Score以及重症單位常用的The Acute Physiology and Chronic Health Evaluation (APACHE II)進行比較，結果顯示機器學習模型皆優於現有的臨床評估量表。預測1個月死 亡模型以Random forest表現最佳(準確率：0.836；AUC: 0.844)；預測12個月內死亡模型以 SVM表現最佳(準確率：0.826；AUC: 0.869)；預測12個月後死亡模型以Adaboost表現最佳 (準確率：0.759；AUC: 0.760)，充分證實機器學習模型在預測肝硬化病人的長期死亡率方面 具有應用價值。