摘要目的 构建并验证基于机器学习的腹膜透析相关性腹膜炎(PDAP)风险预测模型,筛选关键预测因子,为临床早期识别高危人群提供决策工具.方法 选取 2020年 1月-2023年 12月中山市中医院271例行腹膜透析治疗的患者,根据指南将患者分为PDAP组(73例)和非PDAP组(198例).收集人口学特征、生化指标及合并症等资料,经中心化与标准化预处理后,按 3∶1比例随机划分训练集(204例)和测试集(67例).采用五折交叉验证(重复 3次)优化超参数,构建支持向量机、随机森林、极限梯度提升、K近邻及最小绝对收缩选择算子(LASSO)回归五种机器学习模型,以曲线下面积(AUC)为主要指标评估性能.通过受试者工作特征曲线、混淆矩阵和决策曲线综合评估模型效能得出最佳模型,采用校准曲线进行验证.结果 PDAP组高血压比例、血糖水平高于非PDAP组,而磷、尿酸、转铁蛋白饱和度、钾、钙、白蛋白、谷丙转氨酶、总胆固醇、低密度脂蛋白胆固醇、总蛋白水平低于非PDAP组(P＜0.05);在测试集中,LASSO模型综合性能最优,其AUC为 0.844,灵敏度 0.611、特异度 0.959、阳性预测值 0.846、阴性预测值 0.870、F1分数 0.710、准确率 0.866,且LASSO模型的决策曲线净获益最高(阈值概率范围 0.1～0.8),校准曲线显示校准曲线斜率 1.001、截距 0.095,Brier评分 0.119.LASSO筛选出 10个重要性变量分别为合并高血压、总蛋白、总胆固醇、钾、谷丙转氨酶、钙、转铁蛋白饱和度、尿酸、磷、白蛋白水平.结论 LASSO回归模型在PDAP风险预测中展现了优异性能及临床实用性,其筛选的10项关键指标为高危患者早期识别干预提供量化依据.