背景:成人研究表明，护理加班和病房过度拥挤与不良患者事件的增加有关，但很少有证据表明新生儿重症监护病房(NICU)。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(可容纳51张病床)收治的7,438名新生儿进行回顾性研究。从各个医院级数据集中检索了有关护理加班时间、正常工作总时间、入院人数、患者特征的日常管理数据，以及关于医院感染和医疗错误的时间和类型的信息。方法:我们使用广义混合效应回归树模型(GMERT)来详细描述两种结果的预测树。模型中使用了新生儿的特征和日常暴露于众多协变量的情况。GMERT适用于二元结果，是标准基于树的方法的最新扩展。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、多胞胎、医疗/手术和入院次数是较差的预测因素。 Conclusion: Prediction trees (predictors and split points) provide a useful management tool to prevent undesirable health outcomes in a NICU.