摘要目的:基于Logistic回归模型与决策树模型分析原发性闭角型青光眼(PACG)患者术后发生恶性青光眼(MG)的影响因素.方法:回顾性收集2020 年3 月至 2025 年 3 月期间于邯郸市眼科医院完成手术且术后 6 mo发生MG的PACG患者(发生组)及术后 6 mo未发生MG的PACG患者(N-发生组)的资料,进行影响因素分析及模型构建.查阅电子病例系统,收集资料.Logistic回归模型及决策树模型分析PACG患者术后发生 MG 的影响因素;受试者工作特征(ROC)曲线分析预测效能,评价临床应用价值.结果:本研究共纳入PACG患者 182 例 182 眼,其中发生组91 例91 眼,N-发生组91 例91 眼.发生组中男53 例,女38 例,年龄≥60 岁69 例,年龄<60 岁22 例.N-发生组中男47 例,女 44 例,年龄≥60 岁 33 例,年龄<60 岁 58例.发生组年龄≥60 岁、糖尿病、PACG 中期、持续高眼压、房角完全关闭、晶状体厚度<4.5 mm、眼轴长度<22 mm、术后严重炎症的比例均高于 N-发生组(均 P<0.01).Logistic回归结果显示,年龄[OR(95%CI)=2.136(1.401-3.255)]、PACG分期[OR(95%CI)=2.996(2.044-4.391)]、眼压[OR(95%CI)=3.527(1.604-7.755)]、房角[OR(95%CI)=4.826(2.498-9.324)]、眼轴长度[OR(95%CI)=5.125(1.265-20.771)]、术后严重炎症[OR(95%CI)=2.338(1.478-3.699)]是术后发生MG的影响因素(均P<0.05).决策树模型筛选出 6 个解释变量,分别为年龄、PACG分期、眼压、房角、眼轴长度、术后严重炎症,眼轴长度是发生 MG 最重要的影响因素.Logistic回归模型与决策树模型预测 MG 的曲线下面积(AUC)分别为0.913(0.863-0.950)、AUC为 0.921(0.872-0.956),二者比较无统计学差异(Z=0.561,P=0.575).结论:决策树和Logistic回归模型从不同层面确定PACG患者术后发生MG影响因素为年龄、PACG分期、眼压、房角、眼轴长度、术后严重炎症,其中决策树模型以可视化的形式展现,预测结果更加直观明了,二者均适用于临床工作.