摘要目的 构建可解释性机器学习模型,预测老年重症心力衰竭患者短期死亡风险,并探讨新型炎症指数的预测价值.方法 回顾性分析MIMIC-IV 3.1 数据库中诊断为心力衰竭的老年重症患者 1 994 例,按 7∶3的比例随机分为训练集和测试集.采用 6 种机器学习方法建立预测模型,包括logistic回归(LR)、决策树(DT)、随机森林(RF)、自适应增强(AdaBoost)、轻量梯度提升(LightGBM)、高斯朴素贝叶斯(NB).模型效能通过受试者工作特征(ROC)曲线、精确率-召回率(P-R)曲线、校准曲线评估.采用SHAP进行模型解释并筛选核心炎症指数,通过ROC曲线确定最佳临界值.结果 本研究共纳入 1 994 例老年重症心力衰竭患者,28 d内死亡 253 例(12.7%),存活 1 741 例(87.3%).经初筛,纳入 65 个临床特征用于机器学习模型构建.结果 显示LightGBM模型展现出最佳的预测性能,ROC曲线下面积(AUC)为[0.897(0.881～0.909)],P-R曲线的平均精度(AP)为 0.86,校准曲线显示预测概率与实际观察结果一致.SHAP值分析揭示急性生理学评分Ⅲ(APSⅢ)、格拉斯哥昏迷评分(GCS)、单核细胞与淋巴细胞比值(MLR)、呼吸频率(RR)、年龄、血尿素氮、牛津急性疾病严重度评分(OASIS)、血管紧张素转化酶抑制剂(ACEI)、中性粒细胞与淋巴细胞比值(NLR)、营养风险指数(NRI)是重要的影响因素.ROC曲线分析MLR、NLR的AUC分别为 0.682、0.667,以 0.426、7.083 为截断值,敏感度为 0.747、0.751,特异度为 0.529、0.503.结论 LightGBM模型可较好地预测老年重症心力衰竭患者短期死亡风险,以NLR、MLR为代表的新型炎症指数对老年心力衰竭患者短期死亡风险分层具有潜在临床应用价值.