摘要目的 探讨基于机器学习脓毒症相关心肌损伤(SRMI)患者死亡风险预测模型的构建与验证,实现 SRMI 患者的早期风险识别.方法 基于美国重症监护医学信息数据库(MIMIC-Ⅲv1.4 和 MIMIC-Ⅳv2.2)筛选 SRMI 患者,以 MIMIC-Ⅳ为训练集.采用两阶段随机森林(RF)特征筛选方法筛选模型变量,包括递进式特征累加(RFA)和递减式容差剔除(SEIFE)实现变量精简,构建多种机器学习模型,并通过五折交叉验证及外部验证评估模型性能.采用 SHapley 加和解释(SHAP)方法分析模型的可解释性.结果 从 MIMIC-Ⅳ中共纳入训练集患者 1 789 例,验证集患者 1 117 例.RFA-SEIFE 框架最终筛选出 10 个核心特征,包括血乳酸(Lac)、尿量、体温、活化部分凝血活酶时间(APTT)、碱性磷酸酶(ALP)、平均动脉压(MAP)、血细胞比容(HCT)、年龄、有创机械通气及使用抗菌药物.基于上述特征构建 7 种机器学习模型,在五折交叉验证中,RF模型表现最佳,受试者工作特征曲线(ROC 曲线)下面积(AUC)为 0.758[95%可信区间(95%CI)为 0.736～0.779],精确率-召回率(PR)AUC 为 0.693(95%CI 为 0.676～0.710).外部验证结果显示,RF 模型具有良好的泛化能力,AUC为 0.837,PR AUC 为 0.757,F1 值为 0.688,准确率为 0.800,平衡准确率为 0.768.校准曲线提示预测概率与实际观察值一致性良好;决策曲线分析(DCA)表明,在临床可接受阈值范围内模型具有较高净获益;Kolmogorov-Smirnov(KS)曲线显示模型区分度良好(KS 评分为 0.518);风险分层分析表明,随着预测风险十分位增加,死亡事件发生率呈递增趋势,提示模型具备稳定的分层能力.SHAP分析显示,尿量、有创机械通气及Lac 为影响模型预测的主要特征,其中尿量减少及 Lac 升高与死亡风险显著增加相关.结论 基于机器学习的 RF模型可高效、准确预测SRMI 患者的死亡风险.该模型简洁、可解释性强,具有良好的临床应用潜力.