目的 开发并验证一个基于术中指标在非心胸手术患者术后呼吸衰竭(poNirogacestat MWstoperClostridioides difficile infection (CDI)ative respiratory failure, PRF)的机器学习预测模型。方法 纳入西南医院2014年1月至2019年6月行非心胸手术患者705例[训练集565例(PRF 128例),测试集140例(PRF 35例)]、华西医院2019年5月至2020年1月和中山医院2019年6月至2019年12月行非心胸手术患者164例[验证集164例(PRF 41例)]。提取患者19项术中预测指标，通过6种机器学习算法：梯度提升模型(gradient boosting model, GBM)、广义线性模型(generalize linear model, GLM)、k-近邻(k-nearest neighbor, KNN)、朴素贝叶斯(naive bayes, NB)、神经网络(neural network, NNET),支持向量机(support vector machine linear, SVM)开发及测试模型，并在验证集进行验证，通过各模型间性能对比，筛选出最佳模型，最终建立网页预测模型。结果 GBM获得了最佳性能，准确性76.2%(95%CI:69.0%～82.5%),受试者操作曲线下面积(area under the subject curve, AUC):0.794(95%CI:0.707～0.882),精准-召回曲线下面积(area under the precision-recall curve, AUPRC):0.641,Brier评分：0.169。结论 基于GBM算法开发的模型具有更高的泛化性、准确性、点击此处临床实用性，并有助于避免过度拟合。建立的网页预测模型(http://150.158.55.139)可为患者PRF提供新的动态评估方法，量化手术风险。