[摘 要] 目的 通过收集尿液骨桥蛋白(OPN)、pH、白细胞和结晶的实验室检测结果,构建机器学习(ML)模型,评估模型对肾结石的筛查诊断价值。方法 选择2021年12月至2022年8月佛山复星禅诚医院就诊的肾结石患者88例为研究对象(肾结石组),采用“金标准”确诊,合并 CT、超声检测和临床症状等手段辅助鉴定,同时纳入88例非结石患者作为对照组,按照5折交叉验证随机分为训练集和验证集。收集研究对象尿OPN、pH、白细胞、结晶及临床诊断信息,构建逻辑回归(LR)、决策树(DT)、随机森林(RF)、支持向量机(SVM)和 AdaBoost共5种诊断模型,验证集中评价其诊断效能。结果 采用二元logistic回归从研究对象尿 OPN、pH、白细胞、结晶4个指标中筛选出白细胞、结晶2个诊断效率较高的指标,构建 ML模型。验证集中各模型的诊断性能如下:(1)LR,精确度0.8824,召回率0.3409,F1值0.4918,受试者工作特征曲线(ROC 曲线)下面积(AUC)为0.7224;(2)DT,精确度0.6622,召回率0.5568,F1值0.6049,AUC为0.6794;(3)RF,精确度0.6667,召回率 0.6136,F1 值 0.6391,AUC0.7002;(4)SVM,精确度 0.8222,召 回 率 0.4205,F1 值0.5564,AUC为0.7271;(5)AdaBoost,精确度0.7297,召回率0.6136,F1值0.6667,AUC 为0.7155,其中AdaBoost的肾结石诊断效能最佳。结论 收集尿 OPN、pH、白细胞和结晶检测结果,构建基于 ML 并具有可解释性的鉴别诊断模型,对肾结石的筛查诊断有一定的临床应用意义。