摘要目的 基于可解释机器学习(XML)方法构建卒中患者康复相关出院预测模型,识别影响康复出院的关键因素,为康复评估与医疗资源配置提供数据支持.方法 该研究利用MIMIC-Ⅳ v3.1数据库,依据ICD-9/10编码筛选卒中患者共14 824例.提取患者人口学信息、入院特征及住院过程等结构化变量,构建康复相关出院预测模型.采用Logistic回归与极端梯度提升算法(XGBoost)进行建模,比较判别效能、校准性能及临床净获益.使用SHapley Additive exPlanations(SHAP)算法评估各特征对预测结果的贡献,并通过部分依赖于个体条件期望曲线进行可解释性分析.结果 在总体样本中,康复相关出院率为36.9％.Logistic与XGBoost模型的曲线下面积(AUC)分别为0.637(95％CI:0.620～0.653)和0.630(95％CI:0.613～0.647),判别效能处于中等水平.两种模型的平均精确率均为0.473,Brier分数分别为0.220和0.223,均表现出较好的校准度.决策曲线分析显示,Logistic模型在30％～40％阈值范围内的净获益最高(P<0.05).SHAP结果显示,年龄(平均SHAP=0.280)、医保类型(平均SHAP=0.266)及入院途径(平均SHAP=0.237)为主要影响因素.部分依赖分析显示,40岁前后康复相关出院概率最高,随后随年龄增加而下降(P<0.001);急诊入院及转院患者康复相关出院概率高于门诊及自我入院者(P<0.001);卒中类型间差异无统计学意义(P=0.236).模型在2008年至2019年AUC值稳定维持在0.60～0.70,提示其稳健性良好.高预测风险组患者康复出院率显著高于低预测风险组(P<0.001),且预测概率与住院时间呈弱负相关.结论 基于XML结合SHAP方法构建卒中康复相关出院预测模型,结果显示年龄、医保类型及入院途径是影响康复出院的主要特征变量.模型在真实世界数据中具有良好的校准性与稳定性,为卒中患者康复早期识别与资源优化配置提供了可行的量化工具.