摘要目的 基于 Boruta 算法、Shapley 加性解释(Shapley additive explanations,SHAP)和机器学习(machine learning,ML)开发预测后路腰椎椎间融合术(posterior lumbar interbody fusion,PLIF)患者术中获得性压力损伤(intraoperatively acquired pressure injuries,IAPI)风险模型.方法 选取 2021年 1月至 2024年 4月,我院行 PLIF 治疗的 271 例患者,通过 Boruta 算法筛选 IAPI 风险变量.以 3∶2 比例随机分为训练集(n=163)和测试集(n=108)来训练 4 种 ML 模型.使用接收者操作特征曲线(receiver operating characterization curve,ROC)评估 4 种 ML 模型预测性能.通过 SHAP 可视化最佳 ML 模型.结果 271 例 PLIF 患者 IAPI 发病率为12.2%.Boruta 算法筛选出禁食时间、白蛋白(albumin,ALB)、年龄、吸烟、血氧饱和度(oxygen saturation,SaO2)、体质量指数(body mass index,BMI)、血红蛋白(hemoglobin,Hb)、性别和高血压是 IAPI 风险变量.4 种 ML 算法中,训练集和测试集的 ROC 证实极端梯度提升(eXtreme Gradient Boosting,XGBoost)模型预测IAPI风险性能最高.SHAP条形图显示贡献 IAPI风险排序依次为年龄、ALB、禁食时间、吸烟、性别、SaO2、BMI、Hb 和高血压.SHAP 摘要图显示 9 个 IAPI 风险特征变量 SHAP 值呈两端分离.SHAP 力图显示 XGBoost模型能以接近 100%的准确度预测 IAPI 风险.结论 年龄、ALB、禁食时间、吸烟、性别、SaO2、BMI、Hb和高血压是 IAPI风险变量.基于 SHAP可视化的 XGBoost模型能精准预测 PLIF患者 IAPI风险.