摘要目的 构建基于机器学习算法的Henry入路钢板内固定术后腕关节功能不良风险预警模型并给予评价,为临床早期干预提供参考.方法 回顾性选取2016年1月至2024年6月于河南省人民医院和焦作市人民医院接受Henry入路钢板内固定治疗的248例桡骨远端骨折患者作为研究对象,根据术后6个月腕关节功能分为良好组(n=201)与不良组(n=47).收集并比较两组患者的临床资料,经单因素、Logistic分析进入Henry入路钢板内固定术后腕关节功能不良风险预警模型构建的特征变量,分别以Nomogram、随机森林及决策树三种机器学习算法构建Henry入路钢板内固定术后腕关节功能不良的风险预警模型,采用受试者工作特征(ROC)曲线及曲线下面积(AUC)评估其预测效能.结果 两组患者在骨折类型、术后桡骨短缩、术后掌倾角、年龄、康复锻炼依从性、畸形愈合方面比较,差异均有统计学意义(P<0.05);Logistic回归分析结果显示,年龄、骨折类型、术后桡骨短缩、畸形愈合是Henry入路钢板内固定术后腕关节功能不良的危险因素(P<0.05),术后掌倾角、康复锻炼依从性是其保护因素(P<0.05);采用3种不同机器学习算法分别建立Nomogram、随机森林、决策树等预警模型,其预测效能AUC分别为0.866(95%CI:0.818～0.906)、0.933(95%CI:0.894～0.961)、0.763(95%CI:0.706～0.815),其中随机森林AUC最大,其次为Nomogram,经Z检验三者AUC比较差异有统计学意义(P<0.05).结论 本研究采用随机森林、Nomogram、决策树3种机器学习算法构建并验证了Henry入路钢板内固定术后腕关节功能不良风险预警模型,3种模型均具备良好预测性能,其中随机森林效果优于其他两种,更利于临床对术后腕关节功能不良高危人群的有效识别和风险预测.