目的:探索光电容积脉搏波(PhotoPlethysmoGraphy,PPG)技术及机器学习算法在冠心病患者近期血栓事件风险预测的应用价值,为建立近期(3个月)血栓风险预测模型提供新思路。方法:纳入2017年6月至2018年1月就诊于中国人民解放军总医院,诊断为冠心病的门诊及住院患者。患者入组时运用项目组新开发的PPG检测设备采集患者的PPG数据,随访时间3个月,通过接诊复查患者、查阅住院记录及电话随访确认结局事件的发生。根据血栓事件发生与否将患者分为血栓阳性组和血栓阴性组。通过HIS系统和网络数据库获取患者基线资料及PPG数据,利用t检验、卡方检验比较两组患者基线资料和PPG信号参数,利用logistic回归筛选血栓事件的独立危险因素,利用共线性筛查选择纳入预测模型自变量。通过三种机器学习算法建立受试者工作曲线(ROC),比较三种算法建立的近期血栓风险预测模型的诊断效能。结果:共采集满足纳入标准的患者PPG数据91人,血栓阳性组9人(9.890%),血栓阴性组82人(90.110%)。两组患者在冠状动脉病变支数(P=0.024)和静息心率(P<0.001)的比较上有统计学差异;在年龄、性别、身高、体重、体重指数(BMI)、吸烟史、高血压、糖尿病、高脂血症、心梗病史、心室射血分数(LVEF)、心功能分级(NYHA)Ⅲ/Ⅳ级、主动脉瓣返流、左主干病变、脑卒中史、颈动脉狭窄、外周血管病、慢性肺疾病、血肌酐、肝功能异常、硝酸酯类药物应用的比较均无显著性差异(P>0.05)。两组患者 PPG 特征参数 SI(P=0.011)、T(P<0.001)、Tab(P=0.014)、Pbd(P=0.008)有统计学差异;特征参数RI、Tbd、Pab、b/a比较均无统计学差异(P>0.05)。Logistic回归算法、Logistic回归算法(重采样法)、XGboost算法三种机器学习算法绘制的ROC曲线下面积(AUC)分别为0.9119、0.9010、0.9837。结论:PPG特征参数SI、RI、T、Tbd、Pab对冠心病患者血栓预测模型的建立有重要意义。PPG技术联合机器学习算法对冠心病患者近期血栓事件的发生具有较高预测价值,为今后动脉性血栓风险预测模型的建立提供了一个崭新思路。PPG检测设备具有操作简单易行、独立性强、可重复性强、应用范围广、经济效益比高的特点,值得进一步推广。