本论文探讨了重症监护及围术期领域中，数据驱动型临床决策支持系统的开发、验证及其临床相关性。尽管人工智能（AI）与机器学习在提高诊断准确性、减轻临床医生工作负荷以及实现前瞻性病人管理方面具有显著潜力，但其实际临床应用仍受限于数据质量、可解释性、法规监管以及临床信任等挑战。 本研究通过一套从数据获取、标注到特征工程及模型开发的结构化流程，展示了如何设计并评估具有临床意义的算法。文中提出了一种用于高频生理数据的云端基础设施，为实时分析提供了可扩展的底座。此外，本论文通过验证专家标注的旋转式血栓弹力图（ROTEM）数据，解决了常被忽视的标注质量问题，并将这些标注转化为一种用于心脏手术凝血管理的可解释诊断决策支持工具。该工具的设计初衷是辅助而非取代临床医生的决策判断。

与此同时，本论文探索了利用动脉血压波形形态学预测麻醉诱导后低血压的预测模型，阐明了人类感知之外的微妙生理模式如何助力前瞻性干预。研究深入讨论了预测性能与可解释性之间的权衡，以及问责制、偏差、相关性推断与因果推断之别等伦理议题。

总体而言，本论文为开发可靠且深度融入临床的数据驱动决策支持系统提供了实践与理论框架，并强调：若脱离稳健的数据基础设施、临床洞察及周密的部署策略，单纯的技术性能提升不足以实现临床价值。