摘要目的 本研究旨在构建基于可解释机器学习的全关节置换术(total joint arthroplasty,TJA)术后机械性并发症预测模型,并探索潜在的风险表型异质性.方法 基于英国生物银行(UK Biobank)队列,采用1∶3病例-对照匹配设计.利用自动化机器学习(AutoML)框架构建包含XGBoost、CatBoost、LightGBM等多算法的集成预测模型,采用分层5折交叉验证进行训练和优化.运用沙普利加和解释法(SHapley Additive exPlanations,SHAP)进行模型可解释性分析,识别关键风险因素及其贡献模式.基于个体SHAP值向量进行无监督聚类分析,统一流形逼近与投影(uniform manifold approximation and projec-tion,UMAP)降维技术识别不同的风险表型亚组.结果 最优集成模型在测试集上获得曲线下面积(AUC)为0.773的预测性能,前10个候选模型的AUC集中在0.769～0.773的窄区间内.SHAP分析显示,残障蓝徽章资格、身体质量指数(BMI)、步行速度、尿素、维生素D等为主要风险驱动因素.基于SHAP值聚类识别出15个病人亚组,机械并发症发生率呈显著梯度分布(7.7%～71.4%),相对风险比范围为0.31～2.86.进一步归纳为六类主导风险模式:代谢/体成分相关型(6簇)、运动功能受限/虚弱型(4簇)、肾功能相关型(2簇)、炎症/免疫相关型(1簇)、社会经济/生活方式型(1簇)和营养/微量元素相关型(1簇).结论 基于可解释机器学习的集成模型能够有效预测TJA术后机械性并发症风险,SHAP驱动的风险表型聚类揭示了病人风险异质性的内在结构.六类风险模式为个体化术前评估、围术期优化和精准干预提供了可操作的临床决策框架,有望推动TJA并发症精准预防的临床转化应用.