目的:患者在麻醉监测治疗室（Postanesthesia Care Unit,PACU）中度过恢复期时易发生各种呼吸系统并发症,其中不能及时校正的呼吸暂停事件会导致严重的心脏过缓、心脏骤停、组织缺氧等危险症状。如果能在术后患者进入PACU之前,对患者会在PACU中发生呼吸暂停的可能性进行预测,这将加强PACU中医护人员对该类患者的监护,有利于及时校正呼吸暂停事件。本研究中提出使用临床电子病历数据,基于Logistic回归方法开发临床预测模型（Clinical Prediction Models,CPM）来预测术后麻醉恢复期患者是否发生呼吸暂停事件。研究方法:本研究是一项回顾性研究,使用自制拾音头采集术后麻醉恢复期患者的连续呼吸音信号和使用鼻导管连接睡眠呼吸初筛仪收集的鼻气流压力信号做呼吸暂停的识别以及人工验证;并收集相关患者的临床电子病历数据,从中提取有可能与呼吸暂停的发生相关的候选变量;将单因素分析之后有统计学意义的显著变量放入逐步回归中进行多因素调整并建立二元Logistic回归预测模型,并与使用Lasso方法筛选的预测变量建立的模型进行ROC值比较。使用留一法交叉验证（Leave-One-Out Cross Validation,LOOCV）方法,并将Logistic回归建立的预测模型与使用SVM和RF方法建立的模型作对比。模型性能评估主要包括三方面:鉴别能力、校准能力和临床决策能力。结果:本研究共纳入158例患者数据,其中术后麻醉恢复期呼吸暂停的发生率为33.5%（53例）。对9个候选变量做单因素回归分析（P<0.2）后,发现年龄、手术方式、ASA、BMI、镇痛方式、麻醉方式、性别具有统计学意义。对上述7个变量做逐步回归筛选并建模,根据AIC准则确定最优模型。最终建立的二元Logistic回归模型中包括年龄、BMI、手术方式、镇痛方式、ASA和性别。其中Logistic回归模型的验证ROC值等于0.7297（95%CI[0.646,0.81]）,比使用Lasso方法筛选的变量建模效果好。使用SVM和RF建立的模型验证ROC值分别等于0.7048（95%CI[0.621,0.789]）和0.6909（95%CI[0.605,0.777]）。结论:使用临床电子病历数据并结合二元Logistic回归方法建立的临床预测模型,可以预测处于术后麻醉恢复期的患者是否会发生呼吸暂停事件。预测模型可以辅助医护人员预测还未进入PACU的患者会在恢复期发生呼吸暂停的可能性,从而加强对该类患者的监护,如果发生呼吸暂停,能够得到及时矫正,确保病人能够平稳安全的度过术后麻醉恢复期。有了预测模型的辅助,医护人员有限的精力就能发挥最大的价值,提高医护人员工作效率的同时也保证了高质量的医疗效果。