摘要目的 基于动态列线图及机器学习构建预测慢性阻塞性肺疾病急性加重期(acute exacerbation of chronic obstructive pulmonary disease,AECOPD)伴发肺性脑病风险的模型,并对其预测效能进行验证.方法 选取 2022年 1 月至 2024 年 6 月泰州市人民医院收治的 272 例AECOPD患者作为研究对象,根据是否伴发肺性脑病将患者分为肺性脑病组(n=54)和非肺性脑病组(n=218),使用单因素和多因素logistic回归分析AECOPD伴发肺性脑病的危险因素,并建立相关预测模型.结果 单因素分析结果显示,两组患者性别、年龄、体质量指数(body mass index,BMI)、吸烟史、高血压、糖尿病、高血脂、慢性阻塞性肺疾病(chronic obstructive pulmonary disease,COPD)病程、急性加重次数、心率和血清钠比较,差异无统计学意义(P>0.05);两组血氧分压(partial pressure of oxygen,PaO2)、血二氧化碳分压(partial pressure of carbon dioxide,PaCO2)、血 pH、血清钾、血清白蛋白和 C-反应蛋白(C-reactive protein,CRP)比较,差异有统计学意义(P<0.05).多因素分析结果显示,PaO2 较低、PaCO2 较高、血pH值较低、血清钾较低和CRP较高是AECOPD患者伴发肺性脑病的独立危险因素(P<0.05).动态列线图的Hosmer-Lemeshow拟合度检验结果:χ2=2.912,P=0.940,随机森林的Hosmer-Lemeshow拟合度检验结果:χ2=12.628,P=0.125,决策树模型的Hosmer-Lemeshow拟合度检验结果:χ2=9.232,P=0.323;ROC曲线的AUC分别为 0.874(95％CI:0.822～0.925)、0.802(95％CI:0.727～0.877)和 0.847(95％CI:0.788～0.905).结论 基于危险因素构建的动态列线图、随机森林和决策树模型均能够有效预测AECOPD患者伴发肺性脑病的风险.