研究背景ICU患者压力性损伤发生率高、危害性大、治愈率低,开展结构化、全方位的压力性损伤预防及风险管理对保障患者安全、提高护理质量至关重要。大数据时代的到来推动护理管理、护理研究和临床护理从传统的制度化管理、数据性分析、单一化应用向精准化管理、智能化分析、多元化应用转变,机器学习方法为压力性损伤风险预测提供新思路,提高压力性损伤相关数据的收集和管理效率,实现对数据的自动化分析与处理,推动压力性损伤管理从“制度管理”阶段进入到“数据管理”和“精准管理”阶段。研究目的基于机器学习算法构建ICU患者压力性损伤风险预测模型,比较各模型的预测性能,获得最优ICU患者压力性损伤风险预测模型,并对其进行可解释性分析,在提升压力性损伤风险预测科学性与准确性的前提下,为后续压力性损伤相关大数据研究及个性化风险管理策略的制定提供科学依据和理论基础,以实现压力性损伤的精准预防与管理。研究方法采用描述性研究设计,以“陇护汇”压力性损伤移动信息平台为研究工具,收集2021年04月01日～2022年10月31日甘肃省17所三级医院ICU患者的压力性损伤相关临床大数据。（1）采用SPSS 26.0软件对数据预处理后创建ICU患者压力性损伤风险预测数据库,描述ICU患者压力性损伤的发生现状。（2）采用特征选择方法中的最大相关最小冗余（MRMR）、极度随机树（ET）和递归特征消除（RFE）对所有变量进行特征选择,结合3种方法的结果筛选最终纳入变量。（3）采用支持向量机、决策树、随机森林、朴素贝叶斯和K-近邻5种算法进行ICU患者压力性损伤风险预测模型的构建及验证,比较不同模型的准确率、召回率、精确率、F1值、MCC值和AUC值,得出最优ICU患者压力性损伤风险预测模型。（4）使用SHAP工具对最优ICU患者压力性损伤风险预测模型进行可解释性分析。研究结果（1）ICU患者压力性损伤发生现状4704例ICU患者中,66例患者在住院期间发生了压力性损伤,发生率为1.40%。66例压力性损伤患者发生部位共计93处,最常见的发生部位为骶尾部43处（46.24%）,其次为足跟10处（10.75%）;2期压力性损伤占比最多,有60处（62.50%）,其次为1期22处（22.92%）。（2）ICU患者压力性损伤风险预测模型的构建及验证MRMR筛选的重要性排名前5的特征有:使用异丙酚（15.167）、使用PICC（3.195）、恶病质（2.239）、脑卒中（2.159）、单器官衰竭（2.078）;ET筛选的重要性排名前5的特征有:教育水平（0.028）、营养问题（0.026）、皮肤颜色异常（0.025）、动脉p H（0.025）、皮肤破溃红斑（0.024）;RFE筛选的重要性排名前5的特征有:BMI（0.037）、营养问题（0.030）、教育水平（0.029）、年龄（0.027）、皮肤颜色异常（0.026）。结合3种特征选择方法确定的变量,采用纳入3组变量子集的交集（F-I）和并集（F-U）两种策略进行ICU患者压力性损伤风险预测模型的构建和验证。基于两种策略构建的风险预测模型中,随机森林模型性能评价表现均最好(AUCF-I=0.874±0.106,准确率F-I=0.990±0.007;AUCF-U=0.816±0.101,准确率F-U=0.990±0.007)。其中,基于F-I策略（ICU住院时长、性别、教育水平、吸烟、近3月体重下降、使用PICC、使用胸腔导管、使用去甲肾上腺素、使用瑞舒芬太尼、使用异丙酚、使用平喘类药、移动能力、营养问题、皮肤颜色异常、意识不清、强迫体位、单器官衰竭、脑卒中、大手术或创伤、动脉Pa O2、心率）构建的模型性能最优,更适用于ICU患者压力性损伤的风险管理。（3）最优ICU患者压力性损伤风险预测模型的可解释性分析通过SHAP工具将最优随机森林模型内各个特征的决策权重及预测方向的影响进行了可视化解释。显示模型在运行过程中,皮肤颜色异常、意识不清、ICU住院时长和使用异丙酚是压力性损伤风险预测模型的重要决策因素。研究结论本研究基于3种特征选择方法筛选了与ICU患者压力性损伤发生相关的变量,采用纳入3组变量子集的交集（F-I）和并集（F-U）两种策略进行ICU患者压力性损伤风险预测模型的构建和验证,发现基于F-I策略构建的随机森林模型性能最优,对最优模型进行可解释性分析,得出皮肤颜色异常、意识不清、ICU住院时长和使用异丙酚是压力性损伤风险预测模型的重要决策因素。研究中构建的风险预测模型能够协助临床护士更加明确影响ICU患者压力性损伤发生的相关因素,进而为护士准确评估压力性损伤的发生风险、开展针对性的预防和护理提供理论依据。