目的:探讨机器学习(ML)对急性上消化道出血(AUGIB)患者输血干预及再出血的预测价值.方法:回顾性分析2020年7月至2023年10月云南省第三人民医院收治的512例AUGIB患者的临床资料.采用极端梯度提升树(XGBoost)进行变量重要度分析,将筛选得到的重要度排名前10项的因素作为模型中的变量;使用logistic回归、XGBoost、随机森林、支持向量机(SVM)及K近邻算法(KNN)进行分类预测并对比,选取最佳模型并采用SHAP图对ML筛选出的特征进行可解释性分析;并用最佳模型与临床常用AUGIB评分系统进行比较,评估临床价值.结果:XGBoost算法模型中输血干预危险因素得分前10项分别为血红蛋白、国际标准化比值(INR)、白蛋白、收缩压、尿素、麻醉风险评分、脉搏、肌酐、年龄、是否休克.利用以上重要特征进行建模,XGBoost预测AUGIB患者输血干预效果最好,得分最高,即能够尽可能找出更多发生消化道出血进行输血干预的患者,且优于临床常用格拉斯哥—布拉奇福德出血评分(GBS)、AIMS65、ABC及T评分系统.通过XGBoost算法模型中再出血患者重要特征得分前10项为年龄、肌酐、INR、血红蛋白、麻醉风险评分、白蛋白、收缩压、尿素、肝硬化、性别.利用得分排前10的危险因素进行建模,XGBoost预测AUGIB患者再出血的效果最佳,且优于以上4种评分系统.结论:在预测AU-GIB患者输血干预及再出血的价值中,ML模型优于GBS、AIMS65、ABC及T评分系统;XGBoost模型算法更佳,具有更好的有效性.