〔摘　要〕 目的 利用机器学习(ML)算法建立他克莫司剂量/体质量调整谷浓度(TAC C0/D)预测模型。方法 收集来自72例接受同种异体肾脏移植手术患者的264份TAC血药浓度监测数据。分析人口统计学资料、临床特征、联合用药及超声特征参数对TAC C0/D的影响。选择在TAC C0/D的单因素分析中P<0.05的特征纳入随机森林(RF)算法进行重要性分析，筛选重要特征，并利用偏依赖图对重要特征进行解释。使用RF、支持向量回归(SVR)、极端梯度提升(XGBoost)、决策树(DT)和人工神经网络(ANN)5种ML算法建立TAC C0/D预测模型，并对性能最佳的RF模型进行超参数调优。结果 保留了重要性评分>5的10个特征变量并纳入ML模型，分别是：谷氨酰胺转氨酶、红细胞计数、尿素氮、体质量、血肌酐、肾段动脉阻力指数、肾主动脉阻力指数、血细胞比容、肾盂杨氏模量值和移植术后时间。偏依赖图显示筛选出的10个重要变量均与TAC C0/D呈正相关。调优后的RF模型性能优于其他模型，其R~2为0.81,RMSE为43.93,MAE为29.97。结论 ML模型预测TAC C0/D的表现良好，创新性地利用偏依赖图对特征进行了解释。调优后的RF模型性能最佳，为肾移植患者TAC个体化调整用药提供了新的手段。