摘要目的 挖掘、分析慢性肾脏病(CKD)患者实验室检测数据,建立其合并心力衰竭的诊断模型,并评价模型的性能.方法 采用横断面研究,选取2021年1月至2023年1月于吉林大学第一医院确诊为CKD的799例患者为研究对象,其中单纯CKD 341例、CKD合并心力衰竭458例.所有患者均进行血糖、肝功能、肾功能、血脂、血常规、心肌损伤标志物及其他指标检测,比较单纯CKD与CKD合并心力衰竭患者的一般资料及各实验室指标水平,排除P≥0.05的指标,再经Lasso回归筛选变量.采用5种机器模型算法,即极值梯度提升(XGBoost)、支持向量机(SVM)、随机森林(RF)、梯度提升机(GBM)和逻辑回归(LR)建立诊断模型,采用受试者工作特征(ROC)曲线筛选最优模型.应用ROC曲线、校准曲线和临床决策曲线评价模型的鉴别能力、拟合优度与临床价值,最后选取吉林大学中日联谊医院75例CKD患者检测结果进行外部验证.结果 训练集XGBoost模型在预测CKD合并心力衰竭方面更高效,XGBoost模型的曲线下面积(AUC)明显高于RF、SVM、GBM、LR 模型(Z=5.192、5.597、5.597、6.271,P＜0.001),依据 XGBoost 模型确定 CKD 合并心力衰竭的 6个重要性权重变量为尿酸、可溶性生长刺激表达基因2蛋白(ST2)、N末端B型利钠肽前体(NT-proBNP)、血糖(GLU)、γ-谷氨酰转移酶(γ-GGT)和年龄.在内部验证集中XGBoost模型的AUC为0.778,95％CI:0.705～0.850,区分度好.校准曲线显示,XGBoost模型预测有很好的拟合性.临床决策曲线显示XGBoost模型的净获益值较高,临床实用性强(P＞0.05).外部验证显示,XGBoost模型的AUC为0.959(95％CI:0.901～0.989),灵敏度为0.960.结论 XGBoost算法建立的CKD合并心力衰竭诊断模型具有高效的诊断效能,能帮助临床医生早期识别、精准预测,为疾病诊断提供决策支持.