[目的]通过合理选择关键的疾病风险变量，使疾病预测模型兼顾计算效率和预测精度，为公共卫生相关部门实现疾病高效预警提供参考。[方法]使用基于集成学习的随机森林和XGBoost学习高维的疾病风险变量数据进行疾病预测，使两种模型自主选择对其预测作出贡献的疾病风险变量子集。为使随机森林和XGBoost选出具有高预测精度的关键变量子集，本文从最大程度提升模型泛化能力的角度出发，深入分析两种模型的集成方式，通过针对性地超参数调整，利用交叉验证，不断迭代随机森林的袋外数据误判率均值，收敛XGBoost在不同子训练集上的损失曲线，为两种模型分别提出独特的模型优化方案，释放其疾病预测性能。[结果]在老年抑郁焦虑患病数据上的实验表明，优化后的随机森林和XGBoost具有非常优异且接近的疾病预测性能，分别实现了88.6%和89.7%的预测准确率，0.936和0.940的AUC。但通过优化后模型的特征选择，XGBoost的结构更为简单高效。它从54个老年抑郁焦虑风险变量中选择了较少的17个关键变量，且之后实现了较好的疾病预测效果，准确率为85.8%，AUC为0.917。[局限]未使用最新老年队列数据进行实验；需进一步检验模型在复杂异构数据环境中的适应性。[结论]优化后XGBoost的特征选择效果更好，可帮助提高疾病预警效率，为公共卫生管理提供决策支持。