摘要目的:基于机器学习(ML)模型构建网络计算器预测乳腺癌(BC)患者麻醉苏醒延迟风险.方法:选取本院2023年1月至2024年6月手术治疗的435例BC患者.使用Boruta算法筛选麻醉苏醒延迟风险重要特征变量.根据3∶2比例将所有患者随机分配为训练集(n=261)和测试集(n=174)并构建和训练9种ML模型.根据10次随机抽样的受试者工作特征(ROC)曲线评估9种ML模型并使用决策曲线分析评估模型临床实用价值.结合SHapley加法解释(SHAP)条形图、摘要图和力图附加解释和可视化ML模型.使用R包构建预测BC患者麻醉苏醒延迟风险的网络计算器.结果:435例BC患者中,25.1%患者出现麻醉苏醒延迟.Boruta算法筛选出7个特征变量.ROC曲线显示9种ML模型中XGBoost模型的10次随机抽样的曲线下面积(AUC)最高,决策曲线显示XGBoost模型具有显著临床净收益.SHAP条形图显示重要性排序为ASA分级、手术时间、麻醉时间、术中失血量、丙泊酚、术前贫血和术中低体温.SHAP摘要图反映7个重要特征变量的影响范围分布,呈"两端分离"现象.SHAP力图可视化XGBoost模型预测单个患者麻醉苏醒延迟风险,麻醉苏醒延迟患者预测值为0.998,无麻醉苏醒延迟患者预测值为0.00891.基于可解释XGBoost模型的网络计算器(https://xz-nomogram.shinyapps.io/DE_web/)能有效预测BC患者麻醉苏醒延迟风险.结论:ASA分级、手术时间、丙泊酚、术中失血量、麻醉时间、术前贫血和术中低体温是BC患者麻醉苏醒延迟风险重要特征变量.基于可解释XGBoost模型的网络计算器能准确快捷定量麻醉苏醒延迟风险,有助于临床医生有效调整治疗策略,更好改善患者预后.