目的利用不同机器学习算法构建腹腔镜肝切除术后肺部并发症(PPCs)风险预测模型，并进行验证。方法本研究为回顾性病例对照研究。收集潍坊市人民医院肝胆医学中心2019年11月至2025年6月行腹腔镜肝切除术患者的病历资料，年龄≥18岁，美国麻醉医师协会健康状况分级Ⅰ-Ⅲ级。将数据集按照7∶3的比例分为训练集和测试集。根据术后7 d内是否发生肺部并发症将患者分为2组：PPCs组和非PPCs组。将训练集中组间比较差异有统计学意义(
P<0.05)的变量纳入LASSO回归，筛选回归系数非零的特征变量。基于这些特征变量，分别采用逻辑回归、随机森林、支持向量机和极端梯度提升4种机器学习算法构建PPCs风险预测模型。采用受试者工作特征曲线、精确率-召回率曲线、Brier评分对模型性能进行综合评估，采用沙普利加解释法对最优机器学习算法模型进行可解释性分析。
结果本研究最终纳入患者996例。术后随访7 d，其中255例患者发生PPCs。训练集(
n＝697)中有180例患者发生PPCs，测试集(
n＝299)中有75例患者发生PPCs。经LASSO回归确定了7个特征变量(手术时间、肝缺血再灌注后氧合指数、术后1 d白细胞计数、术前国际标准化比值、术中出血量、吸烟史、术前天门冬氨酸氨基转移酶活性)用于机器学习算法构建PPCs风险模型。4种机器学习算法模型中，随机森林模型测试集的受试者工作特征曲线下面积为0.912(95%
CI 0.884~0.934)，精确率-召回率曲线下面积为0.805(95%
CI 0.738~0.861)，灵敏度为0.799，特异度为0.892，F1分数为0.754，Brier评分为0.118。对随机森林模型行可解释性分析结果显示，对PPCs风险预测贡献度最高的前两位变量为手术时间和肝缺血再灌注后氧合指数。校准曲线显示模型一致性良好，Hosmer-Lemeshow拟合优度检验结果显示
P＝0.993。
结论基于手术时间、肝缺血再灌注后氧合指数、术后1 d白细胞计数、术前国际标准化比值、术中出血量、吸烟史、术前天门冬氨酸氨基转移酶活性，采用随机森林机器学习算法构建的腹腔镜肝切除术PPCs风险预测模型性能最佳。
(8.0+极速模式)