基于阿片类药物的患者自控静脉镇痛(Patient-controlled Intravenous Analgesia,PCIA)是一种被广泛应用的术后急性疼痛管理方法。在PCIA的实际临床应用中,找到最佳的背景输注速度方案很重要但也很困难,传统的背景输注速度设置很大程度上依赖于麻醉医师的经验。随着医院电子病历和手术信息系统的快速发展,积累了大量的手术患者数据,为数据驱动的PCIA背景输注速度分类推荐模型研究提供了可能和支持。数据驱动的推荐模型可以根据患者数据中的各类信息自动地推荐个体化的背景输注速度类型。为了构建数据驱动的PCIA背景输注速度分类推荐模型,本论文引入机器学习方法,对麻醉医师术后急性疼痛管理效果好的PCIA配置决策记录进行学习挖掘。此外,对所构建的推荐模型进行特征分析和应用评估。为了比较所构建模型推荐方案与实际麻醉医师的决策对术后急性疼痛管理的效果,将模型应用于与模型构建所用数据集互不重叠的新数据集进行推荐,并比较符合模型推荐和不符合模型推荐的人群的术后急性疼痛发生率与术后恶心呕吐(Postoperative Nausea and Vomiting,PONV)发生率。结果表明,本论文所构建的最优推荐模型对于低剂量和高剂量两类背景输注速度的推荐均达到0.92的AUC(Area Underthe Curve)。在对推荐模型进行应用评估时,PONV的发生率在符合模型推荐的人群中显著低于不符合模型推荐的人群,分别为18%和26%(p<0.001)。此外,符合和不符合模型推荐的两组人群之间的术后急性疼痛发生率无显着差异。可以得出结论,本论文开发了 一种基于机器学习的PCIA背景输注速度分类推荐模型,该模型可以很好地学习了麻醉医师对于背景输注速度决策的经验。此外,该模型应用于实际场景,可以在不降低镇痛效果的同时减少PONV发生率。