【摘要】目的：以与耻骨下支应力性骨折相关的骨盆数据建立机器学习预测模型并评价其性能。方法：回顾性选取 2014 年 1 月—2022 年12 月在中国人民解放军联勤保障部队北戴河康复疗养中心就诊的 3  271 例患者进行问卷调查，筛选出近 1 个月有高强度训练史、无外伤史的病例共 210 例，耻骨下支骨折 33 例，耻骨下支无骨折 177 例。根据骨盆正位 X 线片测量其骨盆结构数据，包括耻骨下支长度、耻骨联合宽度、耻骨下支最细处宽度、双侧耻骨下支夹角、颈干角。分别构建 Logistic 回归模型和 BP 神经网络模型，比较两种模型的诊断性能。结果：无骨折组耻骨联合宽度、耻骨下支最细处宽度长于骨折组，耻骨下支长度短于骨折组，双侧耻骨下支夹角、股骨颈与股骨干夹角小于骨折组，差异均有统计学意义（P ＜ 0.05）。Logistic 回归分析显示，耻骨下支最细处宽度、双侧耻骨下支夹角均为耻骨下支应力性骨折的影响因素（P ＜ 0.05）。Logistic 回归模型、反向传播（BP）神经网络模型最优分类值分别为 0.117、0.360，灵敏度分别为 0.879、0.909，特异度分别为 0.842、0.859，约登指数分别为 0.721、0.768，ROC 曲线下面积分别为 0.908、0.945，95%CI 分别为 0.849 ～ 0.967、0.913 ～ 0.978。结论：基于 BP 神经网络的机器学习模型对耻骨下支应力性骨折的预测有较高的准确度，可用于高强度训练前耻骨下支应力性骨折的风险筛查。

【关键词】机器学习；BP 神经网络；耻骨下支；应力性骨折；Logistic 回归