研究目的利用肝硬化患者常见的临床资料,构建预测肝硬化患者发生门静脉血栓的机器学习模型,协助临床医生评估肝硬化患者发生门静脉血栓的风险,更有针对性地对病人进行随访、检查和治疗。研究方法收集山东大学齐鲁医院2012年1月至2020年1月住院的18～80岁肝硬化患者的病案资料。排除肝癌、其他恶性肿瘤、合并血液系统疾病肝硬化患者、肝移植、布加综合征、门静脉血栓不合并肝硬化患者、进行抗凝治疗的肝硬化患者、进行抗血小板聚集的肝硬化患者。排除资料残缺患者。一共收集到了肝硬化并且有门静脉血栓发生的患者212例,同时从肝硬化但没有门静脉血栓发生的患者中随机抽取了212例患者,两组数据进行合并,构成数据集。收集患者的一般资料、化验指标、临床表现、并发症、手术史、药物应用史、影像学检查结果。使用python编程语言,在JupyterNotebook平台构建算法并训练模型。将数据集拆分为训练集和测试集,使用训练集训练模型,测试集测试模型表现。选择随机森林算法、XGBoost算法构建模型。研究结果为了评估模型的表现,计算模型的AUC等指标,绘制ROC曲线和混淆矩阵。随机森林模型的准确率=0.85,灵敏度=0.88,特异度=0.81,阳性预测率=0.83,阴性预测率=0.87,F-score=0.84,AUC=0.88,模型有较好的预测能力。XGBoost模型的准确率=0.84,灵敏度=0.88,特异度=0.79,阳性预测率=0.80,阴性预测率=0.87,F-score=0.83,AUC=0.89,模型有较好的预测能力,随机森林模型的表现稍好于XGBoost模型。研究结论成功构建了肝硬化患者门静脉血栓生成的预测模型。对于临床数据非线形、缺失值多、数据规模小等问题,可以尝试以分类器为基础的机器学习算法构建模型。