背景:成人研究表明，护理超时和病房过度拥挤与不良患者事件增加有关，但很少有证据表明新生儿重症监护室(NICU)。目的:应用机器学习模型预测NICU院内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Québec NICU(51张床位)住院的7,438名新生儿进行回顾性研究。从各种医院级数据集中检索了关于护理加班时间、正常工作总时间、入院人数、患者特征、医院感染信息以及医疗错误发生时间和类型的日常管理数据。方法:我们使用一种广义混合效应回归树模型(GMERT)来描述两种结果的预测树。在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、加班时间、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、内科/外科和入院次数是较差的预测指标。 Conclusion: Prediction trees (predictors and split points) provide a useful management tool to prevent undesirable health outcomes in a NICU.