目的:准确预测心脏手术患者术后谵妄（Postoperative Delirium,POD）对临床决策和改善患者预后具有重要临床价值。由于机器学习（Machine Learning,ML）的高精确性及高效性,ML技术正越来越多的被应用到临床医学中。本研究的目标是基于ML算法建立心脏手术患者POD风险预测模型,并验证其有效性。研究方法:本研究依据混淆评估方法（Confusion Assessment of Method,CAM）对710例择期心脏手术患者进行前瞻性观察性队列研究。通过医疗电子信息系统收集入选患者的各项资料,包括人口学特征、生活方式、身体功能、心理社会因素、临床检验检查信息、围术期电子信息记录等。基线认知功能状态基于术前随访问卷调查,包括PHQ-9抑郁状态评分、GAD-7焦虑状态评分以及简易精神状态检查量表（Mini-mental State Examination,MMSE）的评估。所纳入患者的信息作为完整的数据特征集。将整个数据集按照训练数据集（75%）和测试数据集（25%）的比例进行划分,其中训练数据集和测试数据集中POD组和非POD组病例数比例相等。建立6种机器学习模型包括梯度提升决策树（Gradient Boosting Decision Tree,GBDT）、支持向量机（Support Vector Machines,SVM）、随机森林（Random Forest,RF）、逻辑回归（Logistic Regression,Log R）、K最邻近法（K-Nearest Neighbor,KNN）,基于这6种算法以5折交叉验证的方式对训练数据集的数据进行模型的学习训练,通过测试数据集的数据对模型性能进行验证。基于准确率、精确率、召回率、F1-score、接受者操作特征曲线（Receiver Operating Characteristic Curve,ROC）及曲线下面积（Area Under Curve,AUC）比较不同模型的有效性,并找出适合本研究数据框架的最佳模型。结果:本研究进行了6个ML模型的性能比较,在使用全部特征作为潜在风险因素的条件下,GBDT的AUC为0.86（95%CI 0.82,0.89）,SVM的AUC为0.79（95%CI 0.76,0.83）,RF的AUC为0.85（95%CI 0.83,0.87）,Log R的AUC为（0.67,95%CI 0.63,0.70）,KNN的AUC为0.67（95%CI 0.63,0.69）,DNN的AUC为0.78（95%CI 0.74,0.82）。其中,GBDT和RF的受试者工作特征曲线下面积（AUC）较高,提示这两个模型能较好的拟合本实验数据。结论:本研究中,心脏外科手术后POD的发生率约为21.3%。ML算法开发的预测模型可用于心脏手术后POD的预测,特征工程可进行患者数据的可视化处理,以筛选心脏手术后POD的风险。基于本研究的数据,不同模型的预测效能存在差异,AUC范围从0.67到0.86,其中GBDT和RF表现出了较好的ML效能,适合于本研究数据框架,与其他4种模型相比更有可能提高POD预测的准确性。