摘要目的 评估在多中心环境下构建的不同机器学习模型对潜在器官捐献者的预测价值并验证其临床应用可行性.方法 研究纳入国内 5家三级甲等医院在 2020年 1月至 2023年 12月收治的 2 000例符合潜在器官捐献评估标准的住院患者,随机分为训练集和内部验证集(7∶3),另纳入2024年1月至2025年4月在哈尔滨医科大学附属第一医院收治的 300例同类患者作为外部验证集.比较 3种模型的曲线下面积(AUC)、灵敏度、特异度、准确率、F1-score,并对潜在器官捐献者判定流程一致性进行检验.采用多因素logistic回归分析潜在器官捐献者的预测因素,利用决策曲线分析(DCA)验证各模型的资源效益,评估阈值区间与干预平衡点.结果 各中心除年龄外其他基本特征差异均无统计学意义(均为P>0.05),各中心研究者潜在器官捐献者判定流程间一致性良好[均为 95%可信区间(CI)下限>0].内部验证集中,XGBoost模型的预测性能最佳(AUC=0.92,95%CI 0.89～0.94)且校准最佳(P=0.441,Brier分数 0.099);外部验证集中,XGBoost模型的预测性能最佳(AUC=0.91,95%CI 0.88～0.94),均优于logistic回归与随机森林.多因素logistic回归显示使用机械通气影响最大(比值比=2.06,95%CI 1.54～2.76,P<0.001).DCA显示XGBoost模型在 0.2～0.6阈值区间净获益最高,"全部干预"策略仅在极低阈值略占优势,推荐阈值区间兼顾≥50%PPV与≤50例/100例高危患者转介量,可平衡干预成本与临床受益.结论 多中心环境下建立的XGBoost模型在预测潜在器官捐献者方面准确率与校准度均较理想,结合DCA可有效指导临床干预时机与资源分配,为脑死亡后器官捐献评估与管理提供新思路.