背景：尽管医院获得性流感（HAI）具有较高的发病率和不良健康结果，但其认识度较低。早期发现HAI对于遏制其在医院环境中的传播至关重要。
目的：本研究旨在调查与HAI相关的因素，开发预测模型，并随后比较它们，以确定用于预测HAI发生的表现最佳的机器学习算法。
方法：这项回顾性观察性研究于2022年进行，包括来自2011-2012年和2019-2020年流感季节的111名HAI患者和73,748名非HAI患者。分析了电子病历中的一般特征、合并症、生命体征、实验室和胸部X线结果以及房间信息。利用逻辑回归（LR）、随机森林（RF）、极限梯度提升（XGB）和人工神经网络（ANN）技术构建了预测模型。采用随机分配，数据集的80%构成训练集，剩余的20%构成测试集。使用诸如接收器操作特征曲线下面积（AUC）、假阴性的数量（FN）以及特征重要性的确定等指标评估了开发模型的性能。
结果：HAI患者在一般特征、合并症、生命体征、实验室检查结果、胸部X线结果和房间状态方面与非HAI患者有明显差异。在开发的模型中，RF模型在考虑AUC（83.3%）和FN发生（四个）方面表现最佳。预测的最具影响力因素是住在双人房，其次是生命体征和实验室结果。
结论：本研究揭示了HAI患者的特征，并强调通风在减少流感发病率中的作用。这些发现可以帮助医院制定感染预防策略，尤其是基于机器学习的预测模型，特别是RF模型，可以使早期干预以减轻在医疗环境中流感传播的影响。
