目的 本研究旨在建立一种利用机器学习识别冠状动脉慢性完全闭塞病变介入治疗（Chronic Total Occlusion Percutaneous Coronary Intervention,CTO-PCI）术后主要不良心血管事件（major adverse cardiovascular event,MACE）危险因素的临床预测模型。该模型可增强临床决策能力。方法 纳入2018～2021年在西京医院经皮冠状动脉介入治疗(percutaneous coronary intervention,PCI)的冠状动脉慢性完全闭塞（Chronic Total Occlusion,CTO）患者843例。患者数据包括基本信息、病史、住院MACE事件、术前检查和干预细节。对所有患者进行为期一年的随访，记录患者MACE事件。患者被分为训练(80%)和验证(20%)数据集。使用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator,lasso）回归筛选变量，训练了共计10个机器学习模型并进行5倍交叉折叠验证，最终选择随机森林方法进行预测模型构建。采用接受者操作特性曲线（receiver operating characteristic curve,ROC）、决策分析曲线（Decision Curve Analysis,DCA）和布里尔评分（Brier Score,BS）评估模型性能。并使用特征重要性分析和SHapley Additive exPlanations(SHAP)值依赖图，详细解释关键特征对模型预测结果的贡献和影响。结果 根据lasso回归分析结果，共计纳入16个预测变量进行模型的构建，其中，随机森林模型在所有构建的模型中表现最佳，ROC曲线下面积（AUC）为0.759,BS为0.120，特征重要性分析显示，红细胞计数（RBC）、D-二聚体（D-Dimer）、血小板计数（PLT）、手术时间（Operation Time）和年龄（Age）是预测CTO-PCI患者术后一年内发生MACE事件的关键特征。SHAP值依赖图进一步揭示了这些特征对模型预测结果的具体影响。结论本研究成功构建了一个用于预测CTO-PCI患者术后一年内发生MACE事件的随机森林模型，该预后模型成功识别了cto-pci术后高危患者，有助于临床决策并降低MACE风险。