手足口病(hand，foot，and mouth disease，HFMD)为肠道病毒导致的一种儿童好发的出疹性传染病。少数患儿容易进展为重症，出现累及神经系统的各种并发症，如常见的病毒性脑炎，容易导致患儿出现颅内感染、高压进而表现为呕吐、惊厥等。一些患儿甚至进一步发展为危重症，出现外周循环和呼吸系统的衰竭，甚至死亡。因此，建立一个用于预测重症HFMD的模型，用于辅助临床医师对重症患儿的早期识别，从而及早干预，减少严重并发症和不良事件的发生。　　目的：　　筛选重症HFMD的危险因素，构建其临床预测模型。　　方法：　　收集2017年9月至2018年6月郑州大学附属儿童医院感染科的HFMD患儿资料。应用SPSS和R软件进行数据分析。通过单因素分析、特征选择等方法筛选重症HFMD的危险因素。从机器学习常见算法中寻找最优算法用于构建机器学习模型，同时以传统logistic模型作为参考，选用多种性能评价指标，比较模型的预测性能。　　结果：　　共纳入1292例HFMD病例，轻症组为933例，重症组为359例。将数据集分割为70％的训练样本(904例)，用于筛选变量和构建预测模型;30％的测试样本(388例)，用于评估模型性能。根据变量筛选流程，最终入选25个变量。构建的随机森林模型和logistic模型，其预测正确率分别为:0.84、0.81;敏感度分别为:0.91、0.88;特异度分别为:0.67、0.63;受试者工作特征(receive operating characteristic，ROC)曲线下面积分别为:0.88，95％CI(0.85-0.91)和0.82，95％CI(0.79-0.85)。在多个可视化的性能图形对比中，随机森林模型均优于logistic模型。　　结论：　　应用机器学习算法能够识别重症HFMD的预测因素，相比于普通logistic模型，机器学习模型具有更高的灵敏度、特异度和预测正确率，对指导临床医师及早识别重症HFMD有一定的参考价值。