目的 机械通气（Mechanical ventilation，MV）是在重症监护病房（Intensive Care Unit,ICU）收治的钝性胸部创伤（Blunt Chest Trauma,BCT）患者最常见的治疗方法之一。我们的研究旨在研究机器学习算法在预测BCT患者机械通气（prolonged duration of mechanical ventilation,PDMV）持续时间延长方面的性能。

方法 这是一项单中心观察性研究，选择经鼻或口气管插管MV治疗的BCT患者。PDMV定义为气管插管后机械通气时间≥7天（正常vs延长；二分结果）。采用K-means无监督学习方法对原始队列的数据进行聚类分析。采用多种机器学习算法来预测DMV的类别。通过特征重要性分析确定最显著的预测因子。最后，建立了一种基于卡方自动交互检测（CHAID）算法的决策树，以研究临床决策中预测器的截止点。

结果 本研究共纳入426例患者，共纳入35个特征。K-means聚类将队列分为两个聚类（高风险组和低风险组）。DMV分类算法的曲线下面积（AUC）范围为0.753~0.923。特征重要性分析结果表明，肺挫伤体积（VPC）是预测DMV的最重要特征。基于CHAID的决策树的预测准确率达到86.4%。

结论 机器学习算法可以预测BCT患者是否会发生PDMV。因此，有限的医疗资源可以更适当地分配给有PDMV风险高的BCT患者。

关键词：机械通气，钝性胸部外伤，机器学习，肺挫伤