目的 构建基于XGBoost和SHAP值的可解释性模型，该模型可同时实现良好的预测能力和解释能力，可用于CCS患者的可解释预测。方法 本研究选取2020年6月-2024年6月就诊于福建中医药大学附属第三人民医院、福建中医药大学附属南平人民医院、上海中医药大学附属龙华医院CCS患者数据，数据包括患者的临床基线资料、心血管危险因素以及既往行PCI和/或CABG手术情况及冠脉造影结果。在本研究中，通过将XGBoost模型与其他4种机器学习模型进行比较，证明了XGBoost模型的预测性能。此外，使用基于SHAP值的解释器用于提供个性化评估和解释，以实现个性化的临床决策支持。结果 XGBoost模型能较好地预测CCS人群的MACE发生，与以往的预测模型相比，此模型更为简单有效，仅用21个特征变量即得到了更稳定的预测结果，预测精度高，模型准确率和受试者工作特征曲线下面积(AUC)分别为0.824和0.840，均高于既往研究结果。此外，该文对两组指标进行了特征依赖分析，发现高龄、慢性肾功能不全和寒凝血瘀症型可增加MACE风险。结论 基于XGBoost和SHAP值的可解释性模型可能有助于临床医生更准确快速地识别CCS人群中存在MACE风险的患者，为患者提供更好的治疗。此外，可解释性框架的使用增加了模型透明度，便于临床医生分析预测模型的可靠性。