摘要背景:切开复位解剖锁定钢板内固定是治疗肱骨近端内侧柱不稳定型骨折的首选,但骨折复位失效是术后主要并发症之一,准确的风险因素评估有利于筛选高风险患者和临床决策的选择.目的:通过机器学习算法构建4种预测模型,分析筛选出最优模型并按照风险变量对结局变量影响的权重评分排序,探讨其对临床诊疗的指导意义.方法:纳入2012年6月至2022年6月期间佛山市中医院收治的262例肱骨近端内侧柱不稳定型骨折患者,年龄(60.6±10.2)岁,所有患者均接受切开复位锁定钢板手术治疗,根据术后5个月随访是否发生复位失效分为复位失效组(n=64)和复位维持组(n=198).收集患者的临床资料,确定模型变量及其分类,将数据集随机按照7∶3比例分为训练集和测试集,训练集按照5折交叉检验获取最优超参数,构建逻辑回归、随机森林、支持向量机、极端梯度提升4种机器学习预测模型,在测试集用AUC、正确率、灵敏度、特异度和F1得分观察不同算法的表现,综合评价模型的预测性能.将表现最佳的模型利用SHAP评估重要风险变量,并对其临床指导意义进行评价.结果与结论:①两组间三角肌结节指数、骨折类型术前骨折端合并内翻畸形、肱骨头下干骺端碎片长度、术后复位情况、肱骨近端内侧柱皮质支撑情况、肱骨距螺钉置入情况比较差异均有显著性意义(P<0.05);②4种机器模型中综合表现能力最好的是极端梯度提升,其受试者工作特征曲线下面积AUC、准确度和F1分数分别为0.885,0.885和0.743,其次是随机森林和支持向量机,两种模型表现能力基本持平,逻辑回归的综合表现能力最差;在最优模型中利用SHAP解释工具发现三角肌结节指数、肱骨内侧柱皮质支撑、骨折类型、骨折复位质量、肱骨距螺钉状态是骨折术后复位失效的重要影响因素;③利用机器学习分析临床问题的准确性优于传统逻辑回归分析方法,在处理高维度数据时机器学习方法可以很好地解决多变量交互和共线性问题;利用SHAP解释工具不但可以明确各个变量的重要性,也可得到各变量中哑变量对结局影响的详细信息.