摘要目的 应用不同机器学习算法构建急性心力衰竭(acute heart failure,AHF)患者易损期死亡或再入院的风险预测模型,并筛选出最优模型.方法 选取 2019 年 10 月至 2021 年 7 月于陆军军医大学第二附属医院心血管内科住院治疗的 651 例AHF患者为研究对象,收集入院生命体征、合并症和实验室检查结果等临床资料.复合终点事件定义为AHF患者出院后 3 个月内发生全因死亡或心衰加重再入院.采用简单随机抽样法将研究对象按 8 ∶2 拆分为训练集(521 例)和测试集(130 例),基于逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、决策树(decision tree,DT)、轻量梯度提升(light gradient boosting machine,LGBM)、极端梯度提升(extreme gradient boosting,XGBoost)和神经网络(neural network,NN)6 种机器学习算法分别构建预测模型.采用受试者工作特征曲线(receiver operating characteristic,ROC)和临床决策曲线(decision curve analysis,DCA)对模型的预测性能和临床获益进行评价,使用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对模型的影响.结果 651 例AHF 患者中发生复合终点事件 203 例(31.2%).ROC 曲线分析显示,LR、RF、DT、LGBM、XGBoost和NN模型的曲线下面积(area under curve,AUC)依次为 0.707、0.756、0.616、0.677、0.768、0.681,XGBoost模型的AUC最高,DCA曲线中XGBoost模型的临床决策净获益也更大,整体预测效能最佳.SHAP算法分析得出,影响XGBoost模型输出结果的重要临床特征分别为血清尿酸、D-二聚体、平均动脉压、B型利钠肽、左房前后径、体质量指数和NYHA分级.结论 XGBoost模型预测急性心力衰竭患者易损期死亡或再入院风险效果最佳.