目的 动脉瘤性蛛网膜下腔出血(aSAH)发病后的神经功能缺失与aSAH出血量之间存在显著相关性.临床多使用基于CT影像评估的改良Fisher分级来评估aSAH的出血量.本研究拟使用机器学习技术建立可能影响aSAH出血量的相关危险因素预测模型,通过模型帮助临床医生更好地诊断和预防疾病.方法 本研究共纳入155例aSAH患者,以回顾分析的方法收集相关临床数据,统计可能导致aSAH出血量增加的相关危险因素,其中包括人口信息学因素、既往病史、院前血压水平和动脉瘤影像结构的相关特点等.剔除数据缺失的部分病历后,共有150例有效数据纳入机器学习模型进行分析,得出AUC,并用特征重要性排名分析影响动aSAH出血量的相关危险因素.结果 研究团队使用一种机器学习方法-极度梯度提升树(XGBOOST),在aSAH样本中选择了 14种可能影响出血量的危险因素作为自变量,aSAH患者出血量的评判采用改良Fisher分级为作为因变量,用机器学习预测后得出受试者工作曲线曲线下面积为0.84.结论 利用XGBOOST中特征重要性排序得出,年龄是最强的危险因素,说明年龄对动脉瘤患者出血量的影响可能较大,动脉瘤体颈比、动脉瘤最大横径、患者院前血压中的舒张压、动脉瘤瘤颈长度、患者院前血压中的收缩压和脉压等因素被认为是重要特征.患者院前血压中的舒张压与改良Fisher分级有一定的正相关关系.使用机器学习有助于临床医生识别aSAH高危患者,具备疾病的诊疗与预防价值.