目的:发热待查（fever of unknown origin,FUO）病因复杂,仍然是临床医生面临的主要挑战。本研究通过筛选鉴别儿童FUO病因类型为感染性疾病或非感染性疾病的独立危险因素并建立机器学习（machine learning,ML）模型。同时,探讨成人经典型FUO病因分布及不同病因类型下成人经典型FUO患者临床指标的差异,建立基于临床指标的ML模型。旨在帮助临床医生在儿童FUO以及成人经典型FUO的病因诊断中做出合理决策,提高诊断精度和降低误诊率。方法:通过重庆医科大学附属儿童医院临床大数据平台,收集2015年1月至2019年12月符合儿童FUO诊断标准的873例住院患儿的临床资料。采用SPSS 26.0软件进行单因素分析和Logistic回归分析并筛选出独立危险因素,以此分别构建Logistic回归、BP神经网络（back propagation neural network,BPNN）、支持向量机（support vector machine,SVM）、随机森林（random forest,RF）和轻型梯度提升机（light gradient boosting machine,Light GBM）5种ML模型。评估并比较5种ML模型的准确率（accuracy,ACC）、受试者工作特征曲线下面积（area under the receiver operating characteristic curve,AUROC）和F1值3个指标。同时,收集2012年1月至2021年8月重庆市6家医疗机构收治的符合成人经典型FUO诊断标准的527例患者的临床资料。将最终确诊的373例患者按照经成人经典型FUO常见的4种不同病因类型分为4组,进行统计分析,筛选出不同病因类型下具有统计学差异的指标。在这些指标的基础上,构建并评估了5种ML模型,即RF、SVM、Light GBM、BPNN和朴素贝叶斯（naive Bayes,NB）模型,使用5折交叉验证评估所有数据集,并用micro-F1值评估比较模型性能。结果:本研究收集到儿童FUO共873例,单因素分析结果显示41项指标差异有统计学意义（P＜0.05）。采用Logistic回归分析筛选出年龄、钠离子等8项独立危险因素,基于筛选出的指标构建5种ML模型。Logistic回归、BPNN、SVM、RF、Light GBM的ACC依次为0.748、0.769、0.803、0.800、0.784,AUROC为0.751、0.784、0.806、0.776、0.796,F1值为0.856、0.864、0.877、0.873、0.871。相比之下,SVM模型各评价指标均略高于其他算法模型。同时,将明确诊断的373例成人经典型FUO患者按标准分为4种不同的病因类型组:感染性疾病组（n=277）、非感染性炎症性疾病（non-infectious inflammatory disease,NIID）组（n=51）、肿瘤性疾病组（n=31）和其他疾病组（n=14）。由于部分患者出院时发热原因仍未明确,因此另外154名患者被归类为未明确诊断组。4组不同病因类型的经典型FUO患者在性别、年龄等18项指标上存在显着差异（P＜0.05）。Light GBM的micro-F1得分为75.8%,高于其他四个ML模型,预测模型的性能最好。结论:年龄、乳酸脱氢酶等8个指标是鉴别儿童FUO病因类型为感染性疾病或非感染性疾病的独立危险因素。在Logistic回归、BPNN、SVM、RF和Light GBM5种机器学习模型的评估和比较中,SVM的分类预测效果更优。临床上使用患儿入院时易获得的各项指标,即可较准确地预测儿童FUO病因类型,以提供给临床医生最有可能的病因诊断方向,为临床进一步明确诊断提供决策依据。感染性疾病仍是经典型FUO的主要病因类型。基于性别、年龄等18个具有统计学意义的临床指标,我们构建并评估了5种ML模型。其中,Light GBM对经典型FUO病因类型的预测效果较好,将起到很好的辅助决策作用。