背景:成人研究表明，护理时间的延长和病房过度拥挤与患者不良事件的增加有关，但在新生儿重症监护室(NICU)中鲜有相关证据。目的:利用机器学习模型预测新生儿重症监护室医院感染和医疗事故的发生。研究对象:对2008年4月10日至2013年3月28日在CHU de Québec NICU(51张床位)住院的7,438名新生儿进行回顾性研究。从不同医院级别的数据集中检索日常管理数据，包括护理加班时间、常规工作总时间、入院人数、患者特征以及医院感染信息和医疗错误的时间和类型。方法:我们使用一个广义混合效应回归树模型(GMERT)来为这两个结果构建预测树。模型中使用了新生儿的特征和每日暴露于众多协变量中。GMERT适用于二进制结果，是基于树的标准方法的最新扩展。该模型允许确定最重要的预测因素。结果:DRG严重程度、正常工作时间、加班、入院率、出生体重和职业率是两种结果的主要预测因素。另一方面，胎龄、剖腹产、多胎、内科/外科手术和住院人数都不是很好的预测因素。 Conclusion: Prediction trees (predictors and split points) provide a useful management tool to prevent undesirable health outcomes in a NICU.