目的：设计并开发一款基于医疗机构集成部署的、遵循国家统一标准的传染病智能监测预警前置软件，提升传染病监测与预警的效率和准确性。方法：通过对现有的传染病监测预警体系进行分析和研究，采用高度灵活的系统架构和适配性强的跨平台开发技术，设计开发了国家传染病智能监测预警前置软件，实现各功能模块的高效无缝集成。结果：在实际试点应用中，该软件提高了数据采集的时效性和准确性，与人工网络直报相比，传染病报告病例数量提高了 10.7％。结论：传染病智能监测预警前置软件是集成医院信息系统的重要软件工具和技术手段，实现了传染病监测模式从传统的被动报告向现代化主动感知的重大转变，对我国传染病监测和控制具有强有力的支撑作用。

综述了机器学习在临床领域的应用现状、面临的挑战及潜在方向。重点梳理了机器学习在临床疾病风险预测、疾病诊断、检验检查、病历书写与质控、医疗管理等场景中的应用情况，探讨了机器学习在临床应用中面临的伦理监督、隐私保护和数据安全等挑战，并提出了机器学习在临床研究中的发展方向。

健康医疗数据作为国家基础性战略资源，其安全性和有效利用对保障人民生命健康、促进医疗卫生事业发展具有重要意义。数据分类分级是健康医疗数据安全治理和数据资产要素化的核心环节。本文阐述了数据分类分级的概念、目标和意义，分析了健康医疗行业数据分类分级的背景、必要性、特殊性、面临的问题与挑战以及监管趋势，介绍了其关键技术与核心工作事项，探讨了数据分类分级在医疗卫生机构的行业应用，提出了数据分类分级能力建设的建议，并指出了本研究的局限性。

本研究探讨了AI在网络安全领域的研究进展与应用实践。追溯了神经网络、深度学习等AI技术在网络安全领域的早期探索路径。从渗透测试、代码审计、威胁情报和安全垂域大模型4个维度阐述了AI驱动的新型网络安全应用。对AI在网络安全领域中所面临的挑战进行了深入剖析，并以医疗行业为例阐述了AI在敏感行业存在的安全问题。展望了AI与网络安全深度融合的发展趋势，为推动网络空间治理能力提供了参考。

针对医疗数据治理中存在的结构化、半结构化和非结构化数据处理困难，敏感数据识别效率低，动态知识更新滞后等问题，探索大语言模型（LLM）与检索增强生成（RAG）技术在医疗数据分类分级中的应用路径。利用大语言模型高效处理海量数据，通过深度学习不断优化算法，实现数据分类分级引擎更智能的决策和预测；融合RAG作为分类分级本地知识库，通过增强检索知识库的语料来提高DeepSeek在医疗数据场景应用的准确性和可靠性。通过模型及检索技术、自学习功能迭代，数据分类分级的效率提升80%以上，识别准确率提高到90%以上，提高医疗数据分类分级的工作效率及准确率。结论：本方案为医疗数据治理提供了可解释性强、动态适应性高的技术路径，可实现在数据资产目录构建、数据开放共享等场景的应用落地。

随着数字化时代的深入发展，新一代信息技术正在激发健康医疗数据爆炸性增长，这些数据涵盖了疾病诊疗预防、健康管理、公共卫生、养老服务等诸多领域。健康医疗数据的市场潜力巨大，但其资产流通交易仍存较多问题。本研究通过梳理相关文献资料，概述我国健康医疗数据资产流通交易领域的动态，基于数据资产的相关理论及实践，提出优化健康医疗数据确权模式，完善定价机制，强化隐私保护和数据安全技术，构建政府、医疗机构、科研院所和企业等多方参与的数据开放共享体系，实现数据资产最大化利用和社会价值提升，以促进数据共享，推动健康医疗数据市场流通交易的规范化和高效化发展。

基于医院数据精细化管理的发展趋势，本研究从数据治理需求出发，融合安全合规要求，探索医疗数据分类分级在数据精细化管理层面的应用。依据医疗行业相关标准，通过业务调研、资产盘点、数据字典完善、标准制定等方式探索分类分级实践流程。数据分类分级管理后，医院通过对特定类别数据的精细化研究，能够合理分配医疗资源；基于数据重要性和敏感度分级管理后，也可以更清楚地识别和评估各类数据风险，有助于对不同等级数据制定针对性的风险管理策略，确保医院在法律和行业标准中合规性的提升。分类分级不仅优化了数据存储和访问，提高了管理效率，还显著降低了数据泄露风险，为医院医疗资源合理配置、科研创新提供了支持，达到了全面提升数据安全管理的目的。

大数据与人工智能技术的发展驱动了健康医疗数据的资产和应用价值的提升，也随之增加了数据泄露、篡改和非法利用的风险。我国数据安全治理已在政策层面形成顶层设计，但基于安全治理的医疗领域数据分类分级仍处于探索阶段。本文基于某三级甲等医院的数据安全治理工作，探讨数据分类分级的理论基础、技术要点与实践路径，构建了包含6大类、25个小类、49个子类的医院数据分类标准，以1～5级为基础的数据分级规则，完成了院内约120套信息系统的数据资产梳理，建立多算法组合的医院数据分类分级自动化，并将算法模型嵌入安全监管服务平台，通过实时监测不同类型、级别数据的系统分布和流向，有效提升医院数据安全治理能力和效率。

制定医院信息化建设项目验收标准，规范二级以上医院信息化建设项目验收工作，提升信息化项目建设质量和应用效果。通过文献研究、标准政策研究、模型构建、实地调研、专家咨询等研究方法，制定了一套医院信息化建设项目验收标准。本研究将医院信息化项目细化为基础设施类、软件建设类及服务类3大维度，针对其差异化特征构建了不同的验收质量评估模型，并配套动态化验收流程规范。本研究成果不仅为医院信息化建设提供了可复用的验收方法，更从顶层设计层面推动了医疗行业规范化发展。通过强化标准约束与过程监管，能够有效规避建设风险，提升资源利用效率，为智慧医院建设提供关键支撑，具有显著的行业示范价值。

目的：构建基于大模型的医患对话摘要生成系统，在无需任何标注数据的情况下，自动提取和总结医患对话中的关键医学信息。方法：借助规模较大的大语言模型对医患对话数据进行预标注，然后基于这批伪平行数据对参数规模较小的大语言模型进行训练；推理阶段引入语境学习方法，提供少量示例结合指令工程，使大语言模型能更精准地理解医患对话，生成最终的摘要。结果：该研究构建的系统在保留关键医疗信息方面显著优于现有的无监督摘要生成技术及大语言模型。结论：使用大参数大语言模型对医患对话进行预标注，利用知识蒸馏方法可以实现小参数模型对大参数模型的能力继承，以降低对训练数据的依赖，提升模型通用性和可移植性。

目的：依托中国中医科学院广安门医院中医药循证医学研究平台，建立规范、科学的肺结节中医专病库，为临床医学聚焦中医优势病种和挖掘高质量证据提供重要途径。方法：以肺结节人群为研究对象，搜集和汇总其临床数据资料，通过自然语言处理等人工智能技术，对原始数据进行脱敏、加密及清洗，实现专病数据的高度标准化，构建了 13 个结构化肺结节专病数据集。结果：建立了肺结节中医临床专病库，该数据库收录了 2017 年 1 月至 2023 年 6 月共 43 976 例患者的医疗数据，实现数据检索、数据库更新、中医临床数据分析及可视化、随访调查等一系列功能，能够针对目标人群进行精准分析，并有效应用于疗效评价研究，为中医临床科研与实践提供了强有力的数据支撑。结论：肺结节专病库开创了首个包含中医药数据的肺结节纵向时间分布模式，为深入进行肺结节流行病学研究及挖掘高质量证据开辟了重要途径。同时，该专病库也为构建规范化、具有中西医特色的循证医学研究体系提供了宝贵的数据支持与参考。

研发一种医疗机构数据资产管理平台，通过数据标准化、资产化和产品化，提升医疗数据的价值和利用效率，支持医疗、科研、管理等多方面需求。平台设计包括数据发现层、数据资源层、数据资产层、数据产品层、数据服务层和通用支撑层，采用数据标准化、隐私计算、区块链存证和 AI 大模型等关键技术，实现数据的全生命周期管理。结果：平台的应用显著提升了医疗机构的数据管理效率和数据质量，促进了数据的集成和共享，优化了医疗资源配置，加速了医学研究创新。平台的建设和应用显著增强了医疗机构的数据治理能力和信息化水平，有效解决了数据孤岛、数据标准不统一、数据安全与隐私保护不足等问题，为提升医疗服务质量和科研水平提供了有力支持。

ChatGPT作为一种强大的自然语言处理模型，在临床医疗领域展现了广泛的应用前景。本文综述了ChatGPT在辅助临床决策支持、护理实践优化、医疗智能问答及医疗文书生成等方面的应用现状。探讨了以ChatGPT为代表的生成式预训练变换模型（GPT）在数据时效性、专业术语理解、医疗风险评估及法律风险和责任认定等方面的局限性，并提出应用规范建议。展望了其未来可能在个性化医疗服务、药物研发及远程医疗等方向的发展前景，以期促进人工智能技术与临床医学的深度融合。

医疗保险在慢性病管理中发挥着重要的杠杆作用，通过梳理总结我国慢性病管理应用数字化技术的相关政策，探讨国内外数字疗法在慢性病领域的应用情况及其医保支付政策，最后提出慢性病数字疗法的医疗保险发展建议，期望能为我国慢性病管理的数字化发展提供完善保障。

实现安保事件智能预警，解决医院传统安保工作中存在的巡检效率低、视频数据应用分析不足、事件发现被动及处置滞后等问题。基于AI视觉分析中枢构建智能监控系统，运用视频场景全目标结构化分析、视频AI深度解析、AR全景、智能算法仓等技术，实现医院重点人员防控、智能安保管控、医院安防精细化综合管理等3大功能板块。在安全管理中，系统实现了精确锁定目标、预见安保事件、整体把控安全态势和科学获得安保数据。系统能够提升医院安全管理效能，助力医院管理精细化和智慧化升级，推动医院高质量发展。

目的：信息技术基础设施是指为信息系统运行提供基础支撑的网络、计算和储存资源，主要包括机柜、网络、服务器与存储设备、安全设施等。随着医学科学和信息科学的快速发展，特别是人工智能、大数据等新一代信息技术与医学的深度融合应用，对信息技术基础设施提出新的要求。方法：基于人工智能、大数据等新兴信息技术应用，面向智慧医院建设、高水平互联互通、人工智能深度应用，构建集成模块化数据中心、信息网络、服务器、存储设备和安全设施的新一代医院信息技术基础设施体系。结果：提出新一代医院信息技术基础设施的整体架构和各组成部分的技术原理与方法，对人工智能服务器GPU、存储设备、数据分类分级管理以及信创应用等内容做了较详细描述。结论：为医院数智化的转型发展，提供新一代医院信息技术基础设施架构和方法。

目的：计算机网络系统是智慧医院的关键信息基础设施，需要 7×24 小时不间断运行以支持医院全天候的业务需求。方法：基于开放的网络通信协议，采用网络虚拟化等技术改造医院网络系统和架构，建立统一的智能网络运维管理平台，联动用户、终端、网络元素等资源管理机制，自动监测运行状态，自主防御攻击，主动发现并迅速处置故障。结果：网络技术的组合应用，优化了传统运行和维护模式，提高了网络系统可控可管和防护水平。结论：智能化的网络运维管理，可以降低故障发生风险和运维成本，提升运维质量和效率，保障医院网络系统持续、稳定、高效和安全运行。

目的：实现电子医疗文档在共享时的脱敏处理，保护患者隐私。方法：构建一个集成多种机器学习模型的医疗数据词法分析器，整理医疗健康领域的中文分词、词性标注和命名实体识别语料库，利用隐马尔可夫、条件随机场等自然语言处理技术和内置敏感信息特征库识别电子医疗文档中的敏感信息，并通过结果集流式处理技术实现动态脱敏。结果：算法模型在处理常规个人敏感信息时效果较好，个人敏感信息的发现与脱敏平均耗时在毫秒级别。结论：自然语言处理结合敏感信息特征库的方法可实现非结构化电子医疗文档敏感信息的识别与实时脱敏。

目的：为解决因语言变迁与文化差异导致的现代学者难以充分理解并汲取中医古籍中所蕴含的医学智慧方法的问题，构建大规模中医古籍古今翻译平行语料库。方法：通过筛选代表性古籍、进行文本数字化处理，以及将古籍原文与现代译文精确对齐等环节，构建大规模中医古籍古今翻译平行语料库。结果：成功构建了一个大规模中医古籍古今翻译平行语料库，并以实验论证了专业语料库对改进翻译效果的有效性。结论：该语料库在中医学术研究、自然语言处理等领域具有重要应用价值，有助于深入挖掘中医古籍智慧，推动中医学现代化发展。

目的：提出一种医院医疗设备故障记录数据驱动的设备故障预测性维护方法，以优化设备管理策略。方法：收集某医院医疗设备有效故障记录并进行数据清洗，使用威布尔分布 (Weibull Distribution) 对各设备故障间隔数据进行建模，以极大似然法进行模型参数拟合；随后使用 Kolmogorov-Smirnov (K-S) 检验筛选出符合真实分布的模型；最后，基于各设备故障间隔分布模型计算得出各设备的平均故障间隔时间（MTBF）和一段时间内的故障概率。结果：建立包括各设备故障概率等特征的设备故障预测动态数据库。截至 2023 年底，该医院所有医疗设备中，共 99.63% 的故障间隔时间符合威布尔分布。结论：基于威布尔分布构建的模型可以有效反映各医疗设备故障间隔分布特征，对制订合理的医疗设备预测性维护策略具有重要参考意义。

基于数据集与场景化的方法和技术，实现健康医疗数据分类分级的有效实践和高效应用。分析健康医疗数据管理面临的问题和需求，探索基于数据集与场景化的健康医疗数据分类分级方法、技术和应用。某三级公共卫生专科医院的电子病历和健康档案数据分类分级实践证明，基于数据集与场景化的健康医疗数据分类分级方法和技术科学有效。结论：基于数据集与场景化的健康医疗数据分类分级方法和技术可以为数据安全、数据流通和数据要素资产化提供合规、高效的基础保障。

目的：探索和总结区域云影像平台的设计方案。方法：依据相关建设标准、规范，针对区域云影像平台建设的痛点问题进行需求分析，坚持以云计算、大数据、人工智能、区块链等技术为核心的新型基础设施规划理念，结合江苏省卫生健康云影像平台建设过程中的实践经验，建设区域云影像平台。结果：该平台以统一采集、统一存储、统一调阅、统一质控、统一互认、统一应用为基本原则，采用新一代信息技术手段，实现对区域影像数据的统筹规范和影像增值服务。结论：通过云架构方式建设区域云影像平台技术底座，支撑构建区域统一的医学影像调阅共享体系，为区域云影像平台建设模式提供先进实践经验。

医疗数据要素作为数据要素的重要组成部分，已经成为影响医疗健康行业高质量发展的重要因素。本研究通过文献调研与案例分析等方法，梳理了健康医疗数据要素的发展历程，提出了“健康医疗数据要素流通框架体系”的组成和功能定位，阐述了健康医疗数据要素在“数据资源化 - 数据资产化 - 数据产品化”3 个层面转化过程中面临的挑战，并提出对策建议，旨在为新时代下医疗健康行业高质量发展提供有益参考。

目的：围绕医疗卫生数据的分类分级展开系统性研究，响应《中华人民共和国数据安全法》强制性要求，提升数据管理的效率和安全性，推进数据要素探索，促进医疗信息化的发展。方法：本研究基于《信息安全技术　健康医疗数据安全指南》（GB/T 39725 － 2020）和《数据安全技术数据分类分级规则》（GB/T 43697 －2024）等国家标准文件，构建了适用于医疗卫生领域的数据分类分级体系，结合香港中文大学（深圳）附属第二医院的实际情况，将数据分为个体身份相关数据和医疗数据两大类，并进一步细分为五个级别。此外，研究团队开发了一款分类分级管理工具，该工具集成了数据清洗、分类、分级和安全保护等功能，能够高效、准确地处理大规模数据。结果：通过实证研究，验证了数据分类分级体系和管理工具的有效性和可行性。结论：数据分类分级不仅提高了数据的可用性，还有效降低了数据泄露和滥用的风险，数据的标准化和规范化管理促进了不同系统间的互联互通，打破了信息孤岛，推动了数据要素市场的繁荣发展。

对某三甲医院2014年—2023年的临床路径应用现状展开研究，通过多层次、多角度的数据分析和利用，提出临床路径应用的针对性改进策略。全面对比分析2014年—2023年的临床路径应用数据，并抽取符合“年龄性相关白内障”路径患者资料，运用t检验统计方法，比较完成路径和未完成路径两组患者的住院天数和住院费用。结果：完成路径患者的住院天数和住院费明显低于未完成路径患者，差异有统计学意义（P＜0.05）。但当前仍存在医务人员对临床路径的认知度不高、信息系统融合不佳、信息平台利用不充分以及缺乏有效监督机制等问题。临床路径在提高医疗质量、降低医疗成本方面作用显著。针对现存问题，应加强政策宣传、优化信息系统、强化信息平台建设、完善激励机制，以推动医院在数字医学背景下的医疗服务水平的提升。

目的：预测急性肝衰竭患者的死亡风险，探讨影响患者生存状况的危险因素。方法：选择 2020 年1 月 1 日至 2023 年 8 月 31 日在华西医院就诊的急性肝衰竭患者。运用单因素及多因素 Logistic 回归、Lasso 以及随机森林进行特征筛选，然后采用随机森林、XGBoost 等机器学习技术构建死亡风险预测模型，并运用临床决策曲线及 SHAP 分析评估模型性能。 结果：本研究最终共纳入 667 例患者，急性肝衰竭病死率为 53.98%。在预测模型方面，XGBoost 在验证集和训练集上均表现出最佳性能，其在验证集上的 AUC 值为 0.801。在临床决策曲线分析中，XGBoost 同样展现出最优的收益。结论：急性肝衰竭死亡风险预测模型有助于临床早期识别高风险患者，从而降低病死率。

目的：提高案例医院住院病案无纸化建设水平，缩短病案提交周期，减少护理病案质控时间和降低病案打回率。方法：以重症医学科提交的无纸化病案为研究对象，分析无纸化系统建设情况，对电子病历系统、手术麻醉系统和检查报告系统完成改造和优化，提高案例医院无纸化率。结果：优化后重症医学科无纸化率由（90.10±1.23）% 增长至（95.60±1.41）%，全院无纸化率由（89.02±2.03）% 增长至（92.58±2.81）%，差异均有统计学意义（P ＜ 0.05）。结论：通过对电子病历系统、手术麻醉系统和检查报告系统改造，提升了无纸化率，减少了护理质控病案时间，降低了病案打回率，提高了医院无纸化建设水平。

随着数字化转型的深入，医养康产业的融合发展成为推动社会养老、医疗健康和康复服务创新的重要途径。本研究提出基于数据资产要素的医养康融合模式，通过数据资产化提升产业效能，构建覆盖“汇聚 - 治理 - 加工 - 流通 - 交易 - 应用”全生命周期的技术体系。通过“四维一体”的数据治理框架，实现数据标准化与权属界定。结合联邦学习、差分隐私等技术保障数据安全共享，并基于区块链与智能合约设计多层级医养康数据交易平台，支撑跨机构数据流通与价值转化。通过典型应用场景，展示了数据资产如何为医养康服务提供技术支撑，提升健康管理、养老服务与康复治疗的效率与质量。展望了医养康数据资产要素驱动下生态系统面临的技术挑战，并对未来的发展方向做了简要探讨，以期推动医养康行业的数字化转型。

随着大数据、云计算、人工智能等新技术的不断发展与应用，数据要素已成为推动医疗健康领域变革和数智化转型的关键力量，将医疗数据转化为数据资产的需求日益迫切，但同时也面临着严峻的数据安全挑战。因此，提高数据资产安全保障能力成为医院高质量发展过程中的重要任务。某三级甲等医院遵循国家相关法律法规和行业标准，参照数据安全能力评价模型，通过优化组织架构、完善管理制度、资产梳理与分类分级、风险评估、强化技术防护、提升运营管控以及人才培养等一系列举措，构建管理 - 技术 - 运营一体化的数据安全治理体系，实现医院对数据全生命周期的安全管理，提升了数据安全防护能力，为医院依法合规开展数据资产的应用与共享、挖掘数据要素价值提供有力保障。

目的：为解决临床试验中患者招募的困难、周期长、筛选效率低及信息不对称等问题，构建临床试验患者一站式智能招募系统。方法：在分析临床试验需求的基础上，设计了完整的招募方案，包括OA流程发起、医院服务号精准推送、受试者小程序报名、研究人员数据查看及患者入组的闭环流程。结果：系统上线6个月内，成功完成7项招募任务，精准推送6 000余例患者，累计报名546人，平均招募时间缩短至10小时，入组率达20%。结论:该系统有效缩短招募流程，提高了招募效率和患者入组率，并帮助受试者更好地了解招募信息。

构建基于多模态的智能中医体质推荐系统，探索多模态信息与体质养生推荐相结合的有效方式，提升中医体质辨识的精准度和个性化健康管理水平。改良体质问卷，采集用户年龄、身高、体重等基本信息，详细记录其症状表现及既往（疾病）史，并结合舌面图像进行分析处理，对现有的体质预测规则进行优化。用户的体质、BMI、齿痕、裂纹、舌色、舌苔厚薄、舌苔颜色、面色等均能准确展示。基于上述分析，进一步推荐了涵盖按摩养生、运动养生、食物养生、药膳养生、养生功法、音乐养生（带有 MP3 播放功能）等维度的个性化养生方案。基于多模态的智能中医体质推荐系统通过综合分析用户的多维度信息，实现了对体质寒热的定性分析，完成了对体质特征的精准量化，在推荐决策环节，系统通过动态推理机制，结合用户实时健康状态与历史数据特征，实现个性化养生方案的自适应生成与动态优化，为中医药智慧健康管理体系建设提供有效的技术支撑和解决方案。

介绍了医疗多模态数据机器学习的5类关键技术（表示、融合、转换、对齐和协同学习）、6个应用步骤（确定应用场景、选择模态数据、优选算法模型、准备数据、训练验证模型、部署实施）和应用的2项基础环境（算力基础设施、算法模型工具）等内容，为读者开展医疗多模态数据机器学习的研究与应用提供了参考。

目的：分析中医药数据资产治理的现状，探索其发展路径，并实现技术落地，以促进中医药的现代化和数字化转型。方法：集成云计算、大数据、人工智能、区块链和隐私计算等前沿技术，构建一个安全、可信、可控的数据资产治理平台，对多源、多模态中医药数据进行标准化采集、标签化处理、分类分级管控、智能应用分析。结果：建立了中医药数据资产治理平台，实现了中医诊疗大模型、古籍数字化、智慧药房的优化及数据产品的开发，显著提升了中医药服务效率与数据价值。结论：中医药数据资产治理是推动中医药现代化和国际化进程的重要基础，未来应进一步加强技术研发和应用实践，以实现中医药数据资产的最大化利用。

本文基于零信任安全模型，针对医院科研数据平台的安全需求，提出并设计了一套多层防御架构。该架构通过堡垒机实现安全接入控制，结合安全沙箱技术保障数据隔离访问，并依托分布式防火墙与动态权限管理机制，确保域用户在远程登录过程中的数据安全。同时，采用域控集中化管理策略和上网行为审计措施，有效降低了敏感数据泄露风险。研究表明，该方案显著提升了医院科研数据平台的安全防护能力和合规管理水平，为医疗行业数字化建设提供了可落地的安全实践参考。

目的：深化医疗卫生体制改革，建设检验结果共享互认信息平台，提高医疗资源的利用效率，简化患者就医环节，杜绝重复检查、重复收费，节约患者就诊时间，切实减轻群众就医负担，节省医保费用。方法：利用云计算、大数据、机器学习、智能分析、数据挖掘等技术，搭建共享互认引擎，实现检查检验结果闭环管理。结果：建成省级检查检验结果共享互认信息平台，推动医疗机构检查检验结果跨级、跨区域互认共享，并通过预约加载、霸屏显示、互认引用、监测预警、短信告知等技术模块，提高互认效率、强化互认质控、开展互认考核。结论：省级检查检验结果共享互认信息平台的建设和推广应用有效促进了卫生资源合理利用，进一步优化了患者就医环节，改进了医疗服务质量，明显减少了患者就医费用，节省了医保资金。

目的：评估重度吸烟者的卒中风险，为优化公共卫生预防策略提供参考。方法：基于 NHANES 2017 年－2020 年相关数据，通过 Lasso 回归进行特征选择，随后使用随机森林、XGBoost、LightGBM 等 7 种机器学习算法及堆叠算法进行建模。以 10 折交叉验证评估模型性能，并进行决策曲线分析（DCA）和临床影响曲线（CIC）评估，使用 SHAP 值增强模型的可解释性。结果：堆叠模型在测试集上表现最佳，AUC 值为 0.764 5，能够有效区分高卒中风险与低卒中风险个体；训练集上 AUC 值为 0.753 3，证实了模型在训练过程中的稳定性。DCA和 CIC 评估显示，模型在多个临床决策阈值下提供显著净效益；SHAP 值分析显示心脏病史和乙肝疫苗接种等关键变量对预测结果的贡献。结论：机器学习技术可有效预测重度吸烟者的卒中风险，为个性化预防策略提供科学依据，显示了数据驱动模型在疾病预防中的潜力。