針對臨床上重癥疾病樣本數量少容易導致預后模型過擬合、預測誤差大、不穩定的問題，本文提出遷移長短時程記憶算法（transLSTM）。該算法基于遷移學習思想，利用疾病間的相關性實現不同疾病預后模型的信息遷移，借助相關疾病的大數據輔助構建小樣本目標病種有效模型，提升模型預測性能，降低對目標訓練樣本量的要求。transLSTM 算法先利用相關疾病數據預訓練部分模型參數，再用目標訓練樣本進一步調整整個網絡。基于 MIMIC-Ⅲ數據庫的測試結果顯示，相比傳統的 LSTM 分類算法，transLSTM 算法的 AUROC 指標高出 0.02～0.07，AUPRC 指標超過 0.05～0.14，訓練迭代次數僅為傳統算法的 39%～64%。應用于膿毒癥疾病的結果顯示，僅 100 個訓練樣本的 transLSTM 模型死亡率預測性能與 250 個訓練樣本的傳統模型相當。在小樣本情況下，transLSTM 算法預測精度更高、訓練速度更快，具有顯著優勢。它實現了遷移學習在小樣本重癥疾病預后模型中的應用。