【摘要】目的：构建基于机器学习的立体定向高血压性脑出血钻孔引流术患者的疾病转归预测模型。方法：收集并回顾性分析 2019 年 10 月—2022 年 6 月在揭阳市人民医院实施立体定向钻孔引流术患者 300 例的临床资料。其中预后良好组 246 例，预后不良组 54 例。以 8 ∶ 2 随机将 300 例患者分成训练集和测试集，其中训练集（预后良好患者 197 例，预后不良患者 37 例），测试集（预后良好患者 49 例，预后不良患者 17 例）。比较手术时间、出血量、引流管放置时间、并发症以及平均住院时间，采用美国国立卫生研究院卒中量表（NIHSS）评价发病后 1 个月的患者神经功能，分析患者预后的影响因素以及 XGBoost 模型结果。结果：预后良好组的年龄、术后并发症的发生率及 NIHSS 评分均低于预后不良组，术后引流管的放置时间和平均住院时间均短于预后不良组（P ＜ 0.05）。Logistic 回归分析显示，患者预后的危险因素包括年龄、术后引流管的放置时间、颅内感染、肺部感染、再出血、平均住院时间以及 NIHSS 评分（P ＜ 0.05）。将 Logistic 回归所选出的 7 个危险因素用于候选预测因子，以构建患者预后的预测模型。在测试集中验证模型的效果，建立 XGBoost 预测模型。此模型预测效果较好，其中受试者工作特征曲线下面积（AUC）为 0.741，敏感度为 81.23%，特异度为 78.66%，准确率为 79.45%。结论：基于机器学习的立体定向高血压性脑出血钻孔引流术患者的疾病转归预测模型效果较好，值得临床应用。

【关键词】机器学习；立体定向高血压性脑出血钻孔引流术；疾病转归；预测模型