目的:运用决策树方法探讨行为习惯、奖惩敏感性、人口学因素和常见慢性疾病等因素协同影响颈动脉硬化的模式。方法:选取2019年7月至2021年2月于青岛大学附属医院体检中心健康查体并符合入组标准的人员573例,其中颈动脉硬化组329例,非颈动脉硬化组244例。采取问卷形式收集人口学因素,如年龄、性别、身体质量指数（BMI）;行为习惯因素,如吸烟、饮酒、饮茶、高脂饮食、体育锻炼等;伴发疾病因素,如高血压、糖尿病、高脂血症等;测评奖惩敏感性得分及检测颈动脉超声数据等,进行统计学分析。软件使用SPSS 25.0,计量资料采用独立样本t检验,用?x±s表示,计数资料采用?2检验。采用多因素二元Logistic回归分析上述因素与颈动脉硬化的关系,揭示危险因素或保护因素,以P<0.05为差异有统计学意义。采用IBM SPSS Modeler 18.0决策树C5.0算法建立颈动脉硬化影响因素决策树模型,观察人口学、行为习惯、奖惩敏感性和常见疾病协同影响颈动脉硬化的模式。采用Med Calc 15.2.2软件绘制Logistic回归模型与决策树模型发生颈动脉硬化的工作特征（receiver operating characteristic curve,ROC）曲线,通过比较二者的曲线下面积（AUC）,观察和比较两种模型预测颈动脉硬化发生的准确性。结果:1.多因素Logistic回归分析显示,增龄、高脂饮食、高脂血症、高血压是颈动脉硬化的危险因素,体育锻炼是保护因素;2.决策树模型显示高血压是根节点影响因素,年龄、高脂血症、行为抑制系统、体育锻炼、糖尿病、饮茶、行为激活系统、饮酒、高脂饮食、性别、BMI分别为子节点,对颈动脉硬化的发生有不同的协同影响方式,如:年龄<70岁、高行为抑制系统得分、无体育锻炼习惯、无饮茶习惯且有高脂饮食的人群,患颈动脉硬化概率为87.50%;年龄<70岁、高行为抑制系统得分、无体育锻炼习惯、无饮茶习惯且无高脂饮食的人群,无颈动脉硬化的概率为61.91%。但吸烟未进入本研究的决策树模型。3.ROC曲线下面积对比显示两模型预测颈动脉硬化能力差异有统计学意义（P<0.05）,决策树模型的曲线下面积大于Logistic回归模型,证实决策树模型有更高的预测准确性。结论:1.决策树模型显示,高血压、高龄、高脂血症、糖尿病、饮酒、高脂饮食、男性、高体质指数可增加颈动脉硬化的发生风险,而体育锻炼、饮茶、女性、高抑制敏感性、低奖励敏感性可减少颈动脉硬化的发生风险,显示了因素间多种协同或叠加作用模式。2.决策树模型各节点因素可作为识别疾病高危人群的指标,对于节点因素的干预有利于相应类别人群颈动脉硬化的防控。3.在对颈动脉硬化发生预测方面,决策树模型的预测准确性更高。决策树模型简洁、直观地预测了颈动脉硬化的发生风险及影响因素之间的相互联系。