摘要目的:基于可解释的机器学习(ML)模型预测全髋关节置换术后病人谵妄风险,为病人制定个性化干预方案提供参考.方法:选取2020年1月—2024年12月在赣州市人民医院接受全髋关节置换术的622例病人为研究对象.于术后1～3 d采用意识模糊评估表(CAM)判断病人是否出现术后谵妄.通过Boruta算法筛选术后谵妄风险重要特征变量.以7∶3比例将622例病人随机分为训练集(442例)和测试集(180例),构建和训练9种机器学习模型并进行十倍交叉验证.采用受试者工作特征(ROC)曲线下面积(AUC)评估最佳机器学习模型.使用决策曲线分析评估模型临床实用价值.使用SHapley加法解释(SHAP)条形图、摘要图、依赖图和力图解释和可视化机器学习模型.结果:622例全髋关节置换术病人的术后谵妄发生率为30.87%.Boruta算法筛选出9个术后谵妄风险重要特征变量,根据特征重要性评分(Z值)由高至低依次为C反应蛋白(CRP)、麻醉持续时间、白蛋白(ALB)、年龄、总胆红素(TB)、空腹血糖(FBG)、术中失血量(IBL)、糖尿病史、脑血管病(CSD).多因素Logistic回归分析结果显示,年龄、ALB、TB、FBG、CRP、麻醉持续时间是全髋关节置换术后病人谵妄的独立影响因素(均P<0.05).XGBoost模型在训练集和测试集中均表现优异,对于预测全髋关节置换术后病人谵妄风险具有最优的稳健性与预测效能.基于SHAP对XGBoost模型进行解释和可视化,显示XGBoost模型能以极高准确度预测全髋置换术后病人谵妄风险.结论:年龄、ALB、TB、FBG、CRP、麻醉持续时间是全髋关节置换术后病人谵妄的重要影响因素,XGBoost模型在全髋关节置换术后病人谵妄中的预测价值较高.