摘要目的:分析呼气末一氧化碳值(ETCOc)联合经皮胆红素(TcB)预测新生儿高胆红素血症的价值,并采用可解释性机器学习模型构建风险预测模型,以期为临床提供参考.方法:回顾性选取 2021 年 10 月至2023 年 12 月上海中医药大学附属宝山医院产科病房及门诊的 175 例足月新生儿为研究对象.根据新生儿小时胆红素列线图的诊断标准,最终判断新生儿高胆红素血症99 例,新生儿非高胆红素血症76 例.基于可解释性机器学习算法分析临床资料,帮助构建新生儿高胆红素血症风险预测模型,并对筛选出的特征进行价值分析.结果:Bland-Altman分析ETCOc与TSB具有较好的一致性.ETCOc诊断的对应ROC曲线AUC值为0.637 2,TcB诊断的对应ROC曲线AUC值为0.644 2,ETCOc和TcB的单指标预测价值相似.两指标联合诊断的ROC曲线AUC值为 0.745 6.机器学习模型中,极端梯度提升(XGBoost)模型性能最优,在训练集中ROCAUC为0.94±0.02,PRAUC为 0.95±0.01,F1 值为 0.85±0.03;测试集中ROCAUC为 0.891 4,PRAUC为 0.930 2,F1 值为 0.833 3.可解释性分析显示,重要性排序为时龄、TcB、ETCOc、出生体重、娩出方式、胎龄和性别;交互性分析结果显示,新生儿出生时间延长时,机体产生的胆红素对新生儿高胆红素血症的风险提升存在放大效应,ETCOc与TcB有协同增强作用.结论:ETCOc与TcB联合预测新生儿高胆红素血症具有重要的应用价值,可以提高诊断准确性、优化治疗决策,基于机器学习的可解释预测模型突破了传统方法的局限性,实现了个体化风险分层与早期预警,并为医学研究提供了新的方向.