摘要： 目的: 利用机器学习技术构建一种高效、准确的临床预测模型,以实现脊柱结核与布鲁氏菌性脊柱炎的精准鉴别诊断。方法: 采用回顾性研究方法,参照入组标准收集2019年1月至2025年3月于新疆医科大学第一附属医院经术后病理组织学检测或病原学培养确诊的232例脊柱结核患者（脊柱结核组）和108例布鲁氏菌性脊柱炎患者（布鲁氏菌性脊柱炎组）的临床资料,通过随机抽样的方式以7：3比例随机分为训练集和验证集。对临床特征及实验室检查结果等进行单因素分析,使用支持向量机递归特征消除（SVM-RFE）、极端梯度提升（XGBoost）-递归特征消除（RFE）及Lasso回归进行特征选择,并采用logistic回归模型与XGBoost方法构建预测模型。进一步对比两种方法对脊柱结核与布鲁氏菌性脊柱炎鉴别诊断的性能,最终基于SHAP法对AUC最高的模型进行解释性分析。结果: Logistic回归结果显示,准确率、F1分数、Kappa值、敏感度、特异度分别为0.9412、0.9561、0.8671、0.9585和0.9063。XGBoost模型预测的准确率、F1分数、Kappa值、敏感度、特异度分别为0.9965、0.9974、0.9922、1.0000和0.9896。SHAP解释结果表明,单核细胞计数升高、视觉模拟评分（VAS）较高及基因测序（NGS）结果阳性对早期识别脊柱结核有重要价值;而寒战、乏力、血培养阳性及淋巴细胞百分比升高更常见于布鲁氏菌性脊柱炎患者。结论: 通过logistic回归模型与XGBoost方法构建脊柱结核与布鲁氏菌性脊柱炎鉴别诊断的预测模型,发现XGBoost具有更优的预测性能。单核细胞计数升高、视觉模拟评分较高及基因测序（NGS）结果阳性可作为早期识别脊柱结核的关键指标,而寒战、乏力、血培养阳性及淋巴细胞百分比升高则有助于布鲁氏菌性脊柱炎的鉴别诊断,并可为干预措施提供数据支持。

关键词: 结核,脊柱, 布鲁氏菌,脊柱, 机器学习, 诊断,鉴别