摘要目的 分析急性心肌梗死(AMI)患者溶栓后心肌灌注不良的影响因素,基于不同机器学习算法构建并对比所构建预警模型的预测效能,筛选最优预警模型.方法 选取2022年2月至2024年12月河北医科大学第二医院收治的253例AMI患者,均接受溶栓治疗.根据溶栓后24 h内TIMI心肌灌注(TMP)分级将入组患者分为心肌灌注不良组(TMP为0～Ⅱ级)和心肌灌注良好组(Ⅲ级),统计两组临床数据、入院24 h内炎症指标[系统性炎症反应指数(SII)、中性粒细胞与淋巴细胞比值(NLR)、血小板与淋巴细胞比值(PLR)],采用逻辑回归(LR)方程分析AMI患者溶栓后心肌灌注不良的影响因素,同时基于支持向量机(SVM)、LR、随机森林、K-最近邻(KNN)4种机器学习算法构建预警模型,通过受试者工作特征曲线(ROC)、精确率、F1分数评估4种机器学习算法模型预测效能,并进行外部验证.结果 心肌灌注不良组SII、NLR、PLR、cTnI、CK-MB水平及罪犯血管为左前降支占比均高于心肌灌注良好组,差异有统计学意义(均P<0.05);SII、NLR、PLR、cTnI、CK-MB、罪犯血管是AMI溶栓后心肌灌注不良的影响因素(均P<0.05).ROC曲线显示,随机森林模型预测AUC为0.927(0.887～0.956),显著高于SVM AUC 0.862(0.813～0.902)、KNN AUC 0.852(0.803～0.894)、LR AUC 0.846(0.796～0.888),差异有统计学意义(均P<0.05),且随机森林模型精确率、FI分数最高,综合预测效能最优.随机森林模型的特征重要性排序结果显示,SII、cTnI、罪犯血管对模型的贡献度最大,其次为NLR、PLR、CK-MB.在外部验证集中,ROC曲线分析显示,随机森林模型的AUC为0.920(95%CI 0.858～0.982);校准曲线显示,随机森林模型预测概率与实际观察结果具有良好的一致性(Hosmer-Lemeshow检验,χ2=6.371,P=0.602).随机森林模型预测结果与临床诊断符合率为0.946,Kappa值为0.868(95%CI 0.665～1.071).结论 随机森林模型预测AMI溶栓后心肌灌注不良的综合预测效能最佳,该模型确定的重要预测因子SII、cTnI、罪犯血管贡献度最大,其次为NLR、PLR、CK-MB,基于此模型临床上有望精准识别AMI溶栓后早期心肌灌注不良的高危人群.