摘要目的 基于机器学习算法建立胸腔镜个性化微创肺段切除术中非计划性扩大的早期预警模型.方法 选取2021年9月至2023年6月河南科技大学附属许昌市中心医院收治的209例计划行胸腔镜个性化微创肺段切除术患者进行回顾性研究,根据术中是否扩大切除分为扩大组、非扩大组.将全部患者按照7∶3分为训练集(146例)和测试集(63例).收集患者临床资料进行单因素分析,筛选相关预测变量.比较基于极限梯度提升算法(XGBOOT)、决策树、随机森林、支持向量机4种机器学习算法构建的模型对患者术中非计划性扩大的预测性能,选择最佳模型.应用最佳模型算法确定进入最终预测模型的参数,在测试集中检验模型预测能力.结果 209例计划行胸腔镜个性化微创肺段切除术患者中,52例出现术中非计划性扩大,发生率24.88％,其中训练集术中非计划性扩大36例(24.66％),测试集16例(25.40％).基于训练集数据构建的4种机器学习模型中,XGBOOT模型准确度、曲线下面积均最高,分别为83.56％、0.870,该模型预测术中非计划扩大的精准率80.14％,预测性能最优.单因素分析中筛选的7个变量进行重要性排序,依次纳入XGBOOT模型,发现在纳入5个变量后模型的预测效能表现优异,后续增加参数未显著提高预测性能,由此确定,手术部位分布、NLS-2 cm、胸腔粘连、术前3D-CTBA三维重建、靶段肺动脉淋巴结钙化是预测胸腔镜个性化微创肺段切除术中非计划性扩大的影响因素.经测试集检验,XGBOOT模型预测术中非计划扩大的敏感度、特异度分别为93.75％、91.49％,与临床实际结果一致性达92.06％,提示该模型具有良好预测能力.结论 基于XGBOOT机器算法构建的胸腔镜个性化微创肺段切除术中非计划性扩大预警模型的效能最佳,可指导临床对术中非计划性扩大风险进行个体化预测及决策干预.