目的：评估Cox迷宫IV手术治疗慢性瓣膜病合并心房颤动患者的疗效，使用机器学习算法识别心房颤动复发的潜在风险因素，构建Cox迷宫IV手术后房颤复发预测模型，强化个体化房颤治疗方案。方法：纳入2012年1月至2019年12月来自中南大学湘雅二医院和陆军军医大学附属新桥医院符合条件的慢性瓣膜病合并房颤行瓣膜手术合并Cox迷宫IV手术患者555例，年龄57.948±7.964岁，其中房颤复发组117例，房颤未复发组438例。Kaplan-Meier法分析窦性心律维持率，构建9个机器学习模型，包括：随机森林(Random Forest)，梯度提升决策树(GBDT)，极限梯度提升(XGBoost)，引导聚集算法(Bagging)，逻辑回归 (Logistic Regression)，类别提www.selleck.cn/products/kpt-330升(CatBoost)，支持向量机(SVM)，自适应增强(AdaBoost)，多层感知机(MLP)。使用五折交叉验证和模型评估指标评估模型性能，评估指标包括准确度、精确度、召回率、F1分数和ROC曲线下面积，筛选出2个表现最佳的模型进行进一步分析，包括特征重要性评估和SHAP分析，识别房颤复发风险因素，以此构建房颤复发风险预测模型。结果：患者术后5年窦性心律维持率为 82.13% (95% CI：78.51%，85.9Docetaxel抑制剂3%)。9个机器学习模型中，XGBoost和CatBoost模型表现最好，ROC曲线下面积为0.768 (Innate and adaptative immune95% CI：0.742，0.786)和0.762(95% CI：0.723，0.801)，且在9个模型中有较高的准确率、精确率、召回率和F1值。特征重要性和SHAP分析显示房颤病史时长、术前左心室射血分数、术后心律、术前左心房内径、术前中性粒细胞淋巴细胞比值(NLR)、术前心率和术前白细胞计数等是房颤复发的重要因素，成功构建房颤复发风险预测模型。结论：Cox迷宫IV手术治疗房颤具有良好的窦性心律维持率，本研究通过机器学习算法成功识别多种Cox迷宫IV手术后房颤复发风险因素，成功构建了2个房颤复发风险预测模型，这可能有助于临床决策和优化房颤的个体化手术管理。