摘要目的 利用机器学习构建术后咽喉疼痛(POST)的风险预测模型.方法 回顾性收集2022年9月至2023年6月行全身麻醉气管插管成年患者757例,男327例,女430例,年龄≥ 18岁,ASA Ⅰ—Ⅲ级.根据术后24 h内是否发生POST将患者分为两组:POST组(P组)和无POST组(NP组).收集患者术前、术中以及术后随访信息,将数据集随机划分成80％的训练集与20％的测试集,采用20折交叉验证以及网格搜索的方式在训练集上进行模型开发,测试集用于内部验证,分别建立逻辑回归(LR)、随机森林(RF)、自适应提升算法(AdaBoost)和极端梯度提升算法(XGBoost)等4种机器学习模型.采用受试者工作特征(ROC)曲线下面积(AUC)、准确性、敏感性、特异性、精确率-召回率曲线(PRC)下面积(AUPRC)、Brier分数评估模型的性能.采用夏普利加法解释(SHAP)对最佳性能的模型进行解释分析.结果 有221例(29.1％)患者发生POST.LR、RF、AdaBoost和XGBoost 4 种机器学习模型的 AUC 分别为 0.89(95％CI 0.87～0.90)、0.90(95％CI 0.87～0.91)、0.86(95％CI 0.81～0.89)和0.88(95％CI 0.86～0.91).RF模型在测试集中表现最优,ROC曲线准确性84.0％,敏感性 77.0％,特异性 86.0％,Brier 分数 0.13,AUPRC 0.81,AUC 0.90.SHAP 模型解释分析结果显示,拔管时导管套囊带血迹该变量对RF的贡献度最大,其余依次为留置气管导管时间、术中输液量、性别、年龄、气管插管次数＞1次、ASA分级、留置胃管.结论 本研究基于LR、RF、AdaBoost和XGBoost算法构建4种POST风险预测模型,其中RF性能最佳.