目的:结合机器学习算法和SEER数据库(隶属于美国国立癌症研究所的数据库),评估胰腺癌患者远处转移的预测因素,并构建出预测模型,以帮助临床上对于胰腺癌患者的诊疗决策。方法:通过我们的筛查标准,从SEER数据库中提取出2010年到2015年的13606个胰腺癌病例。分别使用了传统logistic回归统计方法和基于梯度提升的机器学习算法建立了两个预测胰腺癌远处转移的模型。采用了曲线下面积(AUC)、校正曲线、决策曲线(DCA)对比验证了两种模型的鉴定能力及临床实用性。同时对有关因素进行了逐步COX回归分析并应用Kaplan-Meier法做出了相关因素的生存曲线。结果:在13606例胰腺癌患者中,中位年龄65岁,平均年龄64.98岁,远处转移患者占总人口的25.02%。胰腺癌的远处转移的患者明显预后较差。XGBoost模型的AUC为0.77,优于logistic回归模型的0.75,且XGBosst模型预测结果与预测胰腺癌患者远处转移的校正曲线吻合较好,决策曲线(DCA)的结果也显示出较好的临床净效益。XGBoost预测模型相比传统预测模型,在评估胰腺癌远处转移方面中有更好的实用性、可靠性和临床净效益。结论:机器学习的算法提供了较传统方法更好的预测技术。利用机器学习的算法建立胰腺癌远处转移的预测模型,可以方便地应用于临床,帮助改善胰腺癌的临床诊疗。