摘要目的 探讨基于机器学习的心房颤动患者发生急性脑梗死的危险因素分析及预测模型构建.方法 选择2021年1月至2023年12月四川大学华西医院联盟医院/成都市新都区人民医院神经内科及心内科就诊的160例心房颤动患者为研究对象,根据是否发生急性脑梗死将患者分为脑梗死组(n=14)和非脑梗死组(n=146).通过查阅2组患者的病历资料,统计患者的性别、年龄、非阵发性房颤、饮酒、服用抗凝药物情况、吸烟、心房颤动病程、糖尿病、高血压、高脂血症、脑动脉供血不足、高同型半胱氨酸血症、CHA2 DS2-VASc评分、纤维蛋白原(FIB)和红细胞分布宽度(RDW)等,应用单因素和多因素logistic回归分析心房颤动患者发生急性脑梗死的影响因素;采用Python 3.8.0构建XGBoost、lightGBM、logistic回归及随机森林预测模型,并通过受试者操作特征曲线下面积(AUC)进行模型性能验证,评估模型的预测效能.通过最优模型的特征重要性排序功能计算危险因素的相对重要性评分.结果 单因素分析结果显示,脑梗死组与非脑梗死组患者的年龄、吸烟者占比、左心房内径增大者占比、非阵发性房颤占比、高同型半胱氨酸血症患者占比、未规范抗凝者占比、RDW、FIB和CHA2DS2-VASc分值比较,差异有统计学意义(P<0.05);2组患者的性别、病程、饮酒史、高血压病史、高脂血症病史、糖尿病病史、脑动脉供血不足病史及左心室射血分数比较差异无统计学意义(P>0.05).Logistic回归模型结果显示,高龄、吸烟、左心房内径增大、非阵发性房颤、未规范抗凝、FIB偏高、RDW偏大和CHA2DS2-VASc分值较高是心房颤动患者并发急性脑梗死的危险因素(P<0.05).Logistic回归模型的AUC及F1-score值均最大,为最优预测模型,lightGBM和XGBoost次之,随机森林模型的预测性能最差.采用logistic回归模型的特征重要性排序功能计算8项危险因素相对重要性评分,得到危险因素重要性排名依次为:左心房内径增大、CHA2DS2-VASc评分高、非阵发性房颤、未规范抗凝、高龄、RDW偏大、FIB偏高、吸烟.结论 高龄、吸烟、左心房内径增大、非阵发性房颤、未规范抗凝、FIB偏高、RDW偏大和CHA2 DS2-VASc分值较高是心房颤动患者并发急性脑梗死的危险因素,4种机器学习模型中预测性能最好的是logistic回归模型,该模型对预测心房颤动患者发生急性脑梗死有一定临床意义.