【摘要】目的：构建并验证基于机器学习模型融合多普勒血流参数对胎儿生长受限（FGR）围生期不良结局的预测模型。方法：回顾性 分析 2021 年 1 月—2025 年 11 月山东医药大学附属医院收治的 276 例单胎 FGR 孕妇，患者均行彩色多普勒超声检查，按照随机抽样按 7 ︰ 3 划分为训练集 193 例与测试集 83 例，依据胎儿结局分为良好结局组（n=210）与不良结局组（n=66）。选取分娩孕周及多普勒超声 指标作为预测变量，分别构建多因素 Logistic 回归、支持向量机、随机森林（RF）预测模型，计算曲线下面积（AUC）分析诊断效能； 使用校准曲线、临床决策曲线评估模型校准度与临床净效益。结果：多因素 Logistic 回归分析结果显示，分娩孕周、静脉导管搏动指数、 脑胎盘比均为围生期不良结局的独立预测因素（P ＜ 0.05）；RF 模型的预测效能良好，训练集 AUC 为 0.986，灵敏度为 89.77%、特 异度为 94.32%，模型校准效果理想，具有较好临床净获益。结论：融合多普勒血流参数的 RF 模型预测精准度优异，可于 FGR 围生期 快速评估不良妊娠风险，临床应用价值较高。
【关键词】机器学习；彩色多普勒超声；胎儿生长受限；随机森林；围生期结局