败血症疾病的社会关注程度高,病理复杂,预后现状有待改善。尽管目前对于败血症疾病,人们所掌握的学科知识和专业技术还存在局限性。但随着生命科学的发展,许多以前不曾被看到的现象,不曾被知晓的数据,不曾被掌握的知识和不曾被应用的科学技术日益涌现。这些现象、数据、知识和技术的揭示与应用极大地拓宽了医学领域的视野,推动了医学科学及其交叉学科的发展。随着信息时代的到来,面向医疗的信息物理融合系统（Medical Cyber Physical System,MCPS）技术的出现与发展,为改善传统医疗服务和提升医疗效率提供了基础设施服务与保障。知识图谱和深度学习等技术的融入与应用,为挖掘海量医疗数据和预测疾病发展过程创造了可能,提供了技术支持。近年来,败血症疾病定义已达成国际共识,具备建立疾病模型的理论基础。以败血症的预后改善为研究背景,以疾病病理为研究内容,通过MCPS的建模与验证研究方法,对建立败血症MCPS模型进行研究。具体的研究工作分为三个部分:1.了解败血症的发病病理、发展过程、诊断方式、治疗技术、医护实践守则等医学知识,并在此基础上完成抽象、编码和信息化等建模准备工作,建立完整和可实现的理论模型。2.结合MCPS技术将理论模型进一步实现为MCPS模型,并依据MCPS模型的设计标准和要求对所建立的败血症MCPS模型进行仿真、调优、验证、评估和分析等模型完善工作。在具体的建模实现过程中,由于各种建模语言与工具不同的设计特点和适用范围,选择了多种语言工具组合的实现方式:（1）使用适用于构建嵌入式系统体系结构的架构分析与设计语言（Architecture Analysis and Design Language,AADL）搭建系统模型,实现硬件、软件及计算资源的集成,并完成实时性、安全性等系统级别的验证工作。（2）使用适用于构建控制系统的Matlab/Simulink实现诊断软件功能,并完成正确性、扩展性等软件性能的验证工作。（3）使用适用于构建分类器的Matlab/Classification Learner实现预测软件功能,基于网络公开数据集完成分类器的训练和验证,由于数据集呈现时间序列的特点,训练过程使用长短期记忆人工神经网络（Long Short-Term Memory,LSTM）以增强训练效果。3.通过对应的解析工具将不同语言建立的模型分别转化为C代码,实现代码集成、模型融合和联合仿真。经过建模、仿真、调优、验证与分析,得到了正确性、实时性、稳定性和安全性等系统性能均符合预设标准的败血症MCPS模型。败血症MCPS模型实现了疾病诊断的集成化和智能化,有效缓解了公共卫生资源的供需矛盾,有助于预防败血症的发生及病情的恶化,从而改善败血症的预后现状。