摘要目的:基于不同机器算法构建并验证维持性血液透析(maintenance hemodialysis,MHD)患者全因死亡预测模型.方法:收集江苏省4所医院血液透析中心共694例患者的临床资料,其中无锡市3所三级甲等医院血液透析中心在2017年1月—2023年12月有591例MHD患者,盐城市1所二级甲等医院血液透析中心在2024年1-12月有103例MHD患者.将591例研究对象以7∶3的比例随机分为训练集(n=414)和验证集(n=177),训练集用于构建模型,验证集用于内部验证;将103例研究对象作为测试集,用于外部验证.通过最小绝对值选择与收缩算子(least absolute selection and shrinkage operator,LASSO)方法筛选预测因子,采用10种机器学习算法构建MHD患者全因死亡风险预测模型,绘制受试者工作特征(receiver operating characteristic,ROC)曲线评估模型预测效果.运用校准曲线评估模型预测概率的准确性,决策曲线分析(decision curve analysis,DCA)评估模型在不同决策阈值下的临床净收益.外部验证采用ROC曲线下面积(area under curve,AUC)评价最优模型泛化能力,通过Shapley加法解释(Shapley additive exPlanations,SHAP)对各变量因素进行重要性排序.结果:MHD患者全因死亡发生率为42.6%(252/591),10种机器学习算法模型中,支持向量机(support vector machine,SVM)模型的预测效能最优,ROC曲线下AUC为0.928,灵敏度为89.47%,精确度为0.919,校准曲线、DCA评价预测模型一致性及获益性良好,Brier分数为0.089,表明模型在内部数据集上的预测误差较小,校准性能良好.外部验证AUC为0.835,说明模型具有较强的泛化能力.SHAP图显示全因死亡发生的影响因素重要性排序分别为独自居住、带涤纶套中心静脉导管(tunneled cuffed catheter,TCC)、前白蛋白、白蛋白、查尔森合并症指数(Charlson comorbidity index,CCI)评分、全段甲状旁腺激素(intact parathyroid hormone total,iPTH)＜300 pg/mL、年龄、初中及以下学历、尿素氮肌酐比值、糖尿病肾病、大专及以上学历、性别.结论:基于SVM构建的维持性血液透析患者全因死亡预测模型具有良好的预测效果,有助于识别高风险患者,为临床决策及干预提供依据.