目的 挖掘、分析过敏性鼻炎(AR)儿童血常规检测数据，确定与儿童AR相关的血常规参数，建立有效的诊断模型并评价模型的性能。方法 本研究为临床病例回顾性研究。选取2020-12-12/2021-12-12于空军军医大学第一附属医院确诊为AR的1110例儿童为实验组，选取同期医院健康体检且无AR及其他过敏性疾病病史的1109例儿童为对照组。所有研究对象均收集年龄、性别及血常规检测结果等信息，利用综合智能基线分析比较AR儿童与体健儿童的血常规检测指标水平，排除P≥0.05的指标，再经Lasso回归筛选变量。采用二分类Logistic回归进一步评估多个血常规指标对结果的影响。采用5种机器模型算法，即极值梯度提升(XGBoost)、逻辑回归(LR)、梯度提升决策树(LGBMC)、随机森林(RF)和自适应提升算法(AdaBoost)建立诊断模型，采用受试者工作特征(ROC)曲线筛选最优模型。选择LightGBM最佳算法建立针对临床应用的患者在线风险评估工具。结果 AR组与对照组血常规指标平均细胞血红蛋白浓度(MCHC)、血红蛋白(HGB)、嗜碱性粒细胞绝对值(BASO)、嗜酸性粒细胞绝对值(EOS)、大血小板比率(P-LCR)、平均血小板体积(MPV)、血小板分布宽度(PDW)、血小板计数(PLT)、白细胞-中性粒细胞绝对值(W-LCC)、白细胞-单核细胞绝对值(W-MCC)、白细胞-淋巴细胞绝对值(W-SCC)、年龄差异有统计学意义。Lasso回归确定了这些变量是重要的预测因子，二分类Logistic回归进一步分析了这些变量对结果的重要影响。采用最优机器学习算法LightGBM建立多指标联合检测模型，模型在训练集中显示出稳健的预测性能，内部验证集中AUC分别为0.8512和0.8103。结论 经鉴定的血常规参数可作为AR早期诊断和风险评估的潜在生物标志物，提高诊断的准确性和效率。建立的模型为更精确的诊断工具和个性化的预防策略提供了科学依据。未来的研究应前瞻性地验证这些发现，并探索其在其他相关疾病中的适用性。