目的了解广州市某综合性三甲医院患者急诊滞留时间延长情况,分析患者因素、疾病因素和医疗机构因素对滞留时间延长的影响,并提出减少急诊滞留时间的可借鉴措施。方法采用回顾性分析和文献研究法,选取广州市某综合性三甲医院2019年3月至2020年11月急诊科就诊患者的数据,以6小时作为患者急诊滞留时间延长的分界点,通过二分类单因素及多因素Logistic回归方法对急诊滞留的可能影响因素进行探究分析;通过选择急诊患者人群中的重点人群—心血管患者为对象,基于机器学习算法,构建预检分诊临床决策模型,进一步探索有效缓解急诊科拥挤的积极措施。结果共有116,474例患者纳入影响因素的研究,急诊科患者中位滞留时间为2.2（0.6-4.1）h,14,790例（12.7%）患者滞留时间>6 h;二分类多因素Logistic回归分析显示:离开急诊去向为进普通病房患者滞留时间>6 h的危险性是离院患者的5.494倍;Ⅱ级患者滞留时间>6 h的危险性是Ⅳa级患者的4.872倍;来院方式为抱入、120送入和轮椅患者的滞留时间>6 h的危险性分别是步行患者的3.162、2.823和2.255倍;循环系统疾病患者滞留时间>6 h的危险性是皮肤和皮下组织疾病的2.272倍。以影响因素为基础,基于机器学习算法,构建疑似心血管疾病患者预检分诊临床决策模型,验证结果发现:全连接神经网络模型的准确率（0.789）、AUC（0.940）和macro-F1（0.538）指标都是最好的,而多元Logistic回归模型的敏感性、特异性、阳性预测值和阴性预测值要比其它四种机器学习模型要好,但五种模型的总体性能仍有提升空间。结论本研究得到以下结论:第一,本研究案例医院的急诊科拥挤情况相对严峻,应积极采取措施以缓解急诊科拥挤;第二,通过数据和多因素回归分析发现,急诊患者中,离开急诊后进入普通病房或者死亡、分诊级别为Ⅰ级和Ⅱ级、有做检验项目、循环系统疾病、来院方式为抱入、120送入或轮椅、年龄≥80岁的患者均是滞留时间延长的高风险人群;第三,以影响因素分析为基础,基于机器学习算法而构建的疑似心血管疾病患者预检分诊临床决策模型具有临床运用潜能,其或许能在临床上辅助护士分诊,高效分流患者,优化医疗资源配置,缓解急诊科拥挤,但仍需进一步研究。