目的:支架内再狭窄（in-stent restenosis,ISR）,是冠状动脉粥样硬化性心脏病患者行经皮冠状动脉支架植入手术（percutaneous coronary intervention,PCI）治疗后最常见的术后并发症之一。发生ISR的患者若不及时诊疗,则易进展为急性心肌梗死,不稳定型心绞痛等,严重危害患者生命安全。支架内再狭窄的早期预测与诊断有助于提前采取预防措施,改善预后,提高患者生活质量。机器学习是一门经典的人工智能学科,已经广泛应用于临床诊疗的各个领域中,相比传统统计学方法,其在预测风险,评估关联性等方面表现出显著的优越性。本研究拟评估机器学习算法在预测冠心病患者PCI术后发生ISR的风险效能,并与传统医学统计学模型作对比,以期为预测冠心病患者支架植入术后发生支架内再狭窄提供一种更简便有效的辅助工具。方法:收集于2019年8月到2020年9月在郑州大学第一附属医院住院并行首次经皮冠状动脉介入治疗手术的病人为研究对象,并观察其是否在术后12个月内发生支架内再狭窄。该研究构建了两种风险评估模型。第一种是采用机器学习的方法,该方法包括数据预处理、特征选择和模型构建3个部分,运用9种分类器对选择的变量进行模型构建,分别分析其预测能力且进行ROC曲线绘制,并计算曲线下面积（the area under the ROC curve,AUC）,以AUC最高者为最佳机器学习模型。第二种是运用用传统统计学方法,对收集纳入分析的数据进行单因素和多因素分析,并构建二元Logistic回归模型,将于ISR具有相关性的变量的联合预测效能进行ROC曲线绘制,并计算AUC。同时运用DeLong检验对二元Logistic回归模型和机器学习模型的整体预测效能进行比较,得出性能最优的风险预测模型。将评估所得的最佳风险预测模型封装为支架内再狭窄风险评估计算器软件,以提供为临床使用的可能。结果:1.运用传统统计学方法构建的二元Logistic回归模型中,糖尿病、血红蛋白和支架总长度三个变量为ISR的暴露因素,与ISR的发生相关（P＜0.05）。2.将二元Logistic回归模型中与ISR相关变量的联合预测能力绘制ROC曲线,可计算得到曲线下面积为0.751。3.运用机器学习构建的预测模型中,在特征选择过程中选出由糖尿病病史、血红蛋白、尿素氮、尿酸、BNP（Brain natriuretic peptide）、糖化血红蛋白、甘油三酯和支架总长度8个特征组成的变量组合预测效能最好,为最佳预测变量组。4.机器学习建模过程中,运用支持向量机（SVM）分类器所构建的模型测效能最佳,该模型的AUC为0.846。5.运用DeLong检验比较两种模型之间的差异,就AUC方面,SVM所构建模型的预测能力强于二元Logistic回归模型,且两者之间的差异具有统计学意义（P=0.016）。6.将SVM模型封装程为预测支架内再狭窄的计算机软件,得到一个粗略评估支架内再狭窄的评估分数,评估分数大于等于0.880的患者发生支架内再狭窄的风险较低,而分数小于0.880的患者发生支架内再狭窄的风险较高。结论:机器学习在预测冠心病患者支架植入术后发生支架内再狭窄风险的效能优于传统统计学方法,并可制作供临床工作使用的风险评估工具。