目的 基于机器学习算法构建重症脑出血患者肠内营养喂养不耐受(FI)的风险预测模型并验证。方法 回顾性分析2020年1月—2022年12月扬州大学附属苏北人民医院神经重症监护室485例脑出血患者的临床资料，以7∶3比例将患者随机分为训练集(n=339)和验证集(n=146),采用5种机器学习算法构建FI风险预测模型。绘制受试者工作特征(ROC)曲线，通过曲线下面积(AUC)筛选出预测性能最优的模型，基于最优模型构建列线图模型。通过校准曲线和决策曲线分析(DCA)评估列线图模型的校准度和临床净获益情况。结果 重症脑出血患者肠内营养FI发生率为38.4%(186/485)。5种机器学习算法模型中，Logistic回归模型的预测效能最优(AUC=0.88)。Logistic回归模型分析结果显示，使用利尿剂、使用机械通气、格拉斯哥昏迷量表评分≤5分、使用血管活性药物、白蛋白<35 g/L是重症脑出血患者发生肠内营养FI的危险因素，基于5项危险因素进一步构建列线图模型。校准曲线分析结果显示，校准曲线与理想曲线贴合度较高，说明该列线图模型的校准度高；DCA结果显示，当阈值概率在5%～73%时，应用该列线图模型筛查能使患者临床获益。结论 基于机器学习算法构建重症脑出血患者肠内营养FI风险预测列线图模型，有助于早期筛查肠内营养FI高危患者并及时制订预防措施，从而降低重症脑出血患者肠内营养FI发生率。