摘要目的 构建万古霉素血药谷浓度的分类预测模型,优化其精准用药策略.方法 从重症监护医学信息集市数据库中筛选符合条件的患者数据,经过数据清洗和预处理,最终纳入9 902例患者,结合相关性分析和Boruta特征选择算法进行特征选择,根据临床治疗窗标准离散化万古霉素血药谷浓度结果为低浓度(＜10 μg/mL)、中浓度(10～20 μg/mL)和高浓度(≥20 μg/mL).采用6种机器学习算法:表格先验数据拟合网络(TabPFN)、逻辑回归(LR)、随机森林(RF)、极端梯度提升(XGBoost)、支持向量机(SVM)、K近邻(KNN)构建分类模型,通过10折交叉验证(10-CV)评估模型性能,主要性能评估指标包括准确率、平衡准确率、宏平均精确率、宏平均召回率、宏平均F1、多类ROC曲线的曲线下面积(OvR-AUC).采用沙普利加性解释(SHAP)分析不同特征对模型预测结果的影响方向与强度.结果 RF和TabPFN模型表现最优(准确率为0.741 4和0.737 7,OvR-AUC为0.907 0和0.895 8),XGBoost模型表现中等,而LR、SVM和KNN模型的性能较差.混淆矩阵热力图显示,RF和TabPFN模型在高浓度类别上的预测准确率较高,但在低、中浓度类别上的表观略显不足.自举法结合10-CV评估显示,RF模型各项性能评价指标表现稳定(准确率0.741 4,平衡准确率0.740 3,宏平均精确率0.732 1,宏平均召回率0.736 0,宏平均F1 0.736 0,OvR-AUC 0.907 0),具备良好的分类性能与判断能力.SHAP法分析发现,肌酐、尿素氮及万古霉素日累计量和给药频率等关键特征对预测结果具有显著影响.结论 RF和TabPFN模型在万古霉素血药谷浓度分类预测任务中表现出一定优势,在低、中浓度类别上的表现仍有改进空间.