目的 基于机器学习法构建异位妊娠发生风险预测模型。方法 选取308例异位妊娠患者和605例宫内妊娠孕妇作为研究对象，并按照7 ∶3的比例将其分为训练集（639例）和测试集（274例）。应用基于机器学习的逻辑回归、线性判别分析、多元自适应回归、K近邻算法和支持向量机算法构建异位妊娠发生风险的预测模型。比较上述5种算法构建的模型对异位妊娠发生风险的预测价值，筛选出预测效能最佳的模型用于构建列线图。通过LASSO回归筛选变量，然后构建逻辑回归模型并通过列线图可视化；通过校准曲线和决策曲线评估列线图预测模型预测异位妊娠发生风险的效能。结果 5种机器学习算法构建的模型中，逻辑回归构建的模型预测效能最佳，选择该算法用于建立预测模型并构建列线图。异位妊娠史、既往腹腔或盆腔手术史、精神病史、子宫内膜异位史、外阴炎病史、月经推迟、月经不调史为构建列线图模型的候选预测因子。列线图模型的一致性指数为0.719，具有良好的区分度；校准曲线斜率=1显示列线图模型预测异位妊娠发生率与实际发生率具有较为良好的一致性；决策曲线分析表明，当阈值概率大于18%时，该列线图模型对异位妊娠的发生具有较好的预测效能。结论 基于机器学习法构建的以异位妊娠史、既往腹腔或盆腔手术史、精神病史、子宫内膜异位史、外阴炎病史、月经推迟、月经不调史为预测因子的列线图模型对异位妊娠有较好的预测价值，可将该模型用于异位妊娠早期高风险人群的临床筛查。