[摘要]"目的"探讨基于机器学习构建高血压肾病(hypertensive"nephropathy，HN)预测模型研究。方法"纳入2023年4月至2024年3月于台州市第一人民医院就诊的318例高血压患者，按7∶3比例将患者分为训练集和验证集，使用最小绝对收缩和选择算子算法(least"absolute"shrinkage"and"selection"operator，LASSO)对训练集进行临床特征选择，从18项临床变量中得到12项有临床意义的变量。基于Python3.10编程语言，采用训练集对模型进行训练，以12项有临床意义指标为输入变量，以是否发生HN为结果变量，运用逻辑回归、支持向量机和人工神经网络3种机器学习算法构建预测模型，利用验证集对3种模型进行内部验证，通过准确率、受试者操作特征曲线下面积、召回率、精确率和F1对模型性能进行比较。结果"在LASSO筛选的12项有临床意义的变量中，得出胱抑素C与尿蛋白定性最具有预测意义。机器学习构建的逻辑回归、支持向量机和人工神经网络预测模型的准确度、受试者工作特征曲线下面积、召回率、精确率和F1值分别为0.94、0.96、0.95、0.87、0.91，0.94、0.97、0.96、0.86、0.91及0.91、0.94、0.93、0.80、0.86。结论"基于机器学习构建的逻辑回归、支持向量机和人工神经网络对高血压患者进展为HN均具有较好的预测效果。三者之间比较，逻辑回归、支持向量机预测效果相似，优于人工神经网络预测模型。

    [关键词]"机器学习；高血压；高血压肾病；预测模型；逻辑回归；支持向量机；人工神经网络 ......