目的:利用机器学习算法,对符合纳入和排除标准的1087例崩漏医案进行处理和学习,探讨构建分类模型,为崩漏证型研究提供一种新的方法,同时也希望为崩漏临床治疗提供一定的帮助。方法:以从中国知网、万方、维普、古今医案云平台数据库中收集的崩漏医案为研究对象,将符合要求的医案数据进行筛选和去重,对症状和证型做规范和归一化处理。应用频数统计方法对四诊信息做分析,在Matlab R2020a和SPSS20.0环境下用人工神经网络和支持向量机实现证型分类模型的构建,并评价模型的准确率。结果:1.临床症状以神疲乏力、腰膝酸软、头晕为多,分别出现431次、429次和341次。舌象以淡红舌、红舌、淡暗舌较多,分别出现419、271和114次。苔象以薄白苔、少苔、薄黄苔较多,分别出现464次、94次和48次。脉象以细脉、沉脉、数脉为多见,分别出现733次、357次和265次。证型以脾虚证、脾肾两虚证和肾阴虚证为多见,分别出现274次、185次和168次。2.BP人工神经网络构建的脾虚证、肾气虚证、肾阴虚证、肾阳虚证、脾肾两虚证、虚热证、实热证和血瘀证分类模型,分类准确率分别为89.4%、91.3%、96.4%、95.7%、86.5%、70.0%、98.6%和97.5%。该模型准确率为92.6%,准确率较高。3.支持向量机构建的脾虚证、肾气虚证、肾阴虚证、肾阳虚证、脾肾两虚证、虚热证、实热证和血瘀证分类模型,分类准确率为91.5%、39.3%、90.8%、70.6%、87.8%、26.3%、100.0%和87.6%。该模型准确率为81.6%,准确率尚可。4.SPSS软件构建的脾虚证、肾阴虚证、肾阳虚证、脾肾两虚证、实热证和血瘀证分类模型中,MLP预测准确率分别为97.0%、98.5%、99.4%、95.5%、100.0%和100.0%,RBF预测准确率分别为97.0%、99.7%、100.0%、96.3%、99.7%和99.7%。结论:1.人工神经网络算法在崩漏中医证型分类模型构建中性能较好,准确率高于支持向量机,达到90%以上,说明BP更适合对崩漏医案数据构建分类模型,可引用到对证型的研究中。2.SPSS构建的分类模型表明多层感知器神经网络和径向基函数神经网络都能很好识别出崩漏的中医证型,只是对于不同的证型各有优劣,可作为Matlab的辅助工具,检验其模型的分类效果。3.本研究从机器学习的角度认识医案数据,在一定程度上填补了崩漏在中医证型研究领域的空白,为崩漏中医证型的研究提供了新的思路和方法,也为崩漏中医辨证论治提供了客观依据。