目的:通过收集直肠癌手术患者的临床资料,分析直肠癌术后吻合口漏（Anastomotic Leakage,AL）发生的危险因素,并且构建一个风险模型来预测吻合口漏的发生。方法:收集2013年1月至2018年12月于苏州大学附属第一医院行直肠癌根治手术病人的临床信息,排除数据缺失的患者后最终一共有777名患者纳入我们的研究。我们将患者以1:1随机分成训练组389例和验证组388例。随后,为了构建一个更优的模型,我们分别使用了最小绝对收缩和选择操作（Least absolute shrinkage and selection operator,LASSO）回归、单因素和多因素逻辑回归（Logistic regression,LR）和高斯混合模型（Gaussian Mixture Model,GMM）三种不同的方法构建风险模型。为了更全面的评价我们的风险模型,我们使用了受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）、决策曲线分析（Decision Curve Analysis,DCA）、净重新分类指数（Net Reclassification Index,NRI）和综合判别改善指数（Integrated Discrimination Improvement,IDI）来分别评估我们的模型。此外,通过对模型中关键变量进行赋分,获得一个风险评分,并与先前研究构建的风险评分比较。结果:在训练组中,LASSO回归分析提示性别、糖尿病史、肿瘤分期、肿瘤下缘至肛缘距离、BMI指数、手术时长、术前血红蛋白会影响直肠癌术后吻合口漏的发生,ROC曲线的曲线下面积（Area Under the Curve,AUC）为0.895,在验证组中,AUC仅为0.600。在逻辑回归中,我们首先进行单因素逻辑回归分析,将性别、术前血红蛋白含量、肿瘤下缘至肛缘距离和手术时长这4个P＜0.2的变量纳入后续的多因素逻辑回归并建立相应的模型。通过单因素和多因素逻辑回归分析显示:性别、术前血红蛋白含量、肿瘤下缘至肛缘距离和手术时长与术后吻合口漏的发生密切相关。在高斯混合模型中,11个因素进入了我们的模型,他们分别是:性别、年龄、BMI指数、手术方式、糖尿病史、手术时长、肿瘤分期、肿瘤下缘至肛缘距离、术前淋巴细胞计数、术前白蛋白含量和术前血红蛋白含量。在训练组中,逻辑回归模型的AUC为0.882,高斯混合模型的AUC为0.899,两模型的AUC没有统计学差异,P=0.256。在验证组中,逻辑回归模型的AUC为0.834,高斯混合模型的AUC为0.812,两模型的AUC没有统计学差异,P=0.118。由于LR模型仅仅使用四个因素就取得了不输高斯混合模型的准确度,因此我们最终使用逻辑回归模型。将我们模型的风险评分与先前研究构建的风险评分进行比较,结果提示:在训练组中,AUC分别是:0.870 vs 0.756,P＜0.001,在验证组中,AUC分别是:0.831 vs 0.728,P=0.014。此外,DCA、NRI和IDI均提示无论是在训练组还是在验证组,我们的风险评分都显示出更好的预测能力。结论:利用LASSO回归分析、逻辑回归分析、高斯混合模型这三种不同的方式,最终确定逻辑回归模型最优。该模型在训练组和验证组都有着可靠的预测能力,我们基于该模型构建了一个风险评分,与先前研究所构建的风险评分相比,我们的风险评分预测效果更好。