目的:开发和验证体外受精累积活产率（cumulative live birth rate，CLBR）的机器学习预测模型，并通过SHAP值分析模型的重要特征。方法:本研究基于2017年1月至2022年12月在保定市妇幼保健院生殖医学科接受体外受精-胚胎移植治疗患者的回顾性数据，共1 792个周期。根据活产结局分为活产组（ n=1 036）和非活产组（ n=756）。数据集被随机分割为训练集和验证集（比例7∶3）。模型开发采用5种算法：逻辑回归、随机森林、极端梯度提升树（extreme gradient boosting，XGBoost）、支持向量机和神经网络。通过受试者工作特征曲线下面积（area under the curve，AUC）、F1分数和校准曲线评估模型性能，并使用临床决策曲线（decision curve analysis，DCA）分析评估模型的临床应用价值。采用SHAP值分析XGBoost模型的特征重要性，以提升模型解释性。 结果:XGBoost模型在预测CLBR方面表现最佳，测试集数据的准确率为72.44%，AUC达到0.775，F1分数为0.654，准确率和F1分数均优于逻辑回归（准确率为70.02%，F1分数为0.585）、随机森林（准确率为71.69%，F1分数为0.606）、支持向量机（准确率为70.20%，F1分数为0.607）和神经网络（准确率为68.72%，F1分数为0.560）。XGBoost的校准曲线接近对角线，表明它们的预测概率与实际结果非常接近，具有良好的预测校准度。DCA分析结果表明，在大多数临床决策阈值范围内，XGBoost模型均提供了较高的净获益。SHAP值分析显示，体外受精失败次数、窦卵泡计数、抗苗勒管激素水平、精子正常形态率和精子DNA碎片指数是预测CLBR的关键特征。结论:XGBoost模型在预测CLBR方面具有良好的预测能力和校准度，并通过SHAP值提供重要特征的解释性，可为临床制定个性化治疗策略提供有力支持。然而，模型的泛化能力尚需通过外部数据验证，以确保其在不同人群中的适用性。