目的:脑梗死是一种常见且危害性极大的慢性疾病,其起病急骤,发病机制复杂,病情发展快,易引发死亡。学者普遍指出高血压是诱发脑梗死的首要独立危险因素,而目前临床上对脑梗死常规的诊断方法包括头颅CT、常规或多模态MRI检查、颈动脉超声、CTA、DSA等,但这些检查均是在出现明显脑梗死症状后才能确诊脑梗死,不利于在早期筛查原发性高血压患者的脑梗死患病风险。本研究结合患者的一般资料、病因和实验室检查指标构建一种基于机器学习算法的原发性高血压并发脑梗死的个体风险预测模型,并探索原发性高血压患者并发脑梗死的危险因素,以期辅助临床医师尽早识别原发性高血压患者中并发脑梗死的患者,为临床防治工作提供参考依据。方法:选取重庆医科大学医疗大数据平台2015年1月1日至2019年12月31日诊断为原发性高血压的住院患者,收集患者的一般资料、既往史、实验室检查指标等。采用单因素分析、Logistic回归分析筛选输入指标,将所有患者的临床资料按照7:3的比例分为训练集和测试集,训练集的数据用于构建逻辑回归（LR）、决策树（DT）、随机森林（RF）、极限梯度上升（XGBoost）模型,测试集数据用于内部验证。计算各输入指标在4个模型中的相对重要性评分,使用阳性预测率（PPV）、阴性预测率（NPV）、准确率（ACC）、F1值、AUC值等评价4个模型对原发性高血压并发脑梗死的预测诊断价值。结果:共纳入1478例原发性高血压并发脑梗死患者及2826例无脑梗死的原发性高血压患者的42项临床资料数据进行模型分析。单因素分析筛选出29项有统计学意义的指标,Logistic回归分析从29项指标中筛选出11项指标,基于这11项指标及胆碱酯酶、载脂蛋白A1、载脂蛋白B构建LR、DT、RF、XGBoost 4个机器学习模型。训练集中,LR、DT、RF、XGBoost的AUC值分别为0.745、0.775、0.946、0.919,ACC分别为0.722、0.744、0.843、0.851;测试集中,LR、DT、RF、XGBoost的AUC值分别为0.748、0.725、0.793、0.806,ACC分别为0.726、0.737、0.758、0.783。相对重要性评分结果显示,LR、DT、RF、XGBoost模型均提示血细胞比容、白蛋白、就诊年龄、白细胞计数、胆碱酯酶和载脂蛋白A1是原发性高血压并发脑梗死的重要影响因素。RF模型和XGBoost模型在训练集和测试集中的性能均比较突出,表现优于其他两种模型。基于这两种模型开发了可用于辅助临床医生对原发性高血压并发脑梗死进行早期诊断的预测诊断系统。结论:血细胞比容、白蛋白、就诊年龄、白细胞计数、胆碱酯酶和载脂蛋白A1可用于预测原发性高血压患者的脑梗死患病风险。基于机器学习的原发性高血压并发脑梗死风险预测模型（特别是XGBoost模型）具有较高的辅助诊断价值,能够为原发性高血压并发脑梗死的早期诊断提供一定的帮助。