摘要目的 分析急进高原人群发生急性高原反应(acute mountain sickness,AMS)的相关因素,并探讨基于最小绝对值收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归和多机器学习算法构建的诊断模型在提高AMS诊断准确性中的可行性.方法 招募来自平原地区的46例健康汉族人建立研究队列,于到达高原后第2天收集研究对象的人口学资料和血液样本进行实验室检测,根据2018版国际路易斯湖评分(Lake Louise score,LLS)标准将受试者分为AMS组(n=20)和无AMS组(n=26),通过LASSO回归筛选相关自变量并以决策树(decision tree,DT)、逻辑回归(lo-gistic regression,LR)、极端梯度提升机(extreme gradient boosting,XGboost)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、自适应增强(adaptive boosting,Adaboost)及多层感知机(multi-layer perceptron,MLP)7 种机器学习算法构建AMS诊断模型,并评估模型性能以筛选出最优诊断模型,最后通过夏普利加性解释(shapley additive explana-tions,SHAP)算法对构建的最优诊断模型的特征变量进行解释.结果 46例受试者中AMS患病率为43.48％.与无AMS组比较,AMS组患者年龄大,白蛋白浓度低(P＜0.05).LASSO回归筛选得出与 AMS发生相关的5个自变量:年龄、淋巴细胞计数(lymphocyte count,LY)、嗜碱性粒细胞数(basophil count,Bas)、嗜碱性粒细胞百分比(basophil percentage,Bas％)和白蛋白(albumin,ALB).以DT、LR、XGboost、SVM、RF、Adaboost和MLP 7种机器学习算法构建模型的受试者工作特征(receiver operating characteristic,ROC)曲线,其曲线下面积(area under the curve,AUC)分别为0.540、0.794、0.658、0.833、0.760、0.661和0.702,其中SVM模型的各项性能均为最高.SHAP分析显示ALB对AMS影响最大,其次是LY、年龄、Bas％和Bas.结论 年龄、LY、Bas、Bas％和ALB是AMS的独立相关因素,其中ALB对AMS影响最大.以SVM机器学习算法构建的AMS诊断模型较其他机器学习算法性能更加良好,有助于准确诊断AMS,对患者及时采取治疗措施,以保障其生命健康安全.