背景 急性呼吸窘迫综合征（acute respiratory distress syndrome,ARDS）发病率高，10%的ICU住院是由ARDS所致，临床特征通常在诱发事件后6～72 h出现，并迅速加重。其死亡率亦相当高且会随病情严重程度而增加。目的 构建一种便捷、无创的危重症ARDS早期预测模型。方法 采用麻省理工学院与飞利浦创建的eICU协作研究数据集，从中检索诊断为ARDS患者的呼吸频率、体温、心跳三种生命体征数据以及氧合指数（PaO2/FiO2）。PaO2/FiO2≤100 mmHg为重度ARDS。以每个氧合指数观测点（ARDS诊断时间点）为原点，96 h为一个时间窗，应用逻辑回归、随机森林及LightGBM构建预测模型，分析诊断前6～96 h、6～48 h以及6～24 h的生命体征数据预测是否会发生重度ARDS。通过oob评分、交叉验证以及校准曲线评估模型性能，并选取2014年解放军总医院医院呼吸重症监护室的ARDS病例对模型进行外部验证。结果 从eICU数据库检索纳入232例ARDS患者共3 140次氧合指数测量记录，其中PaO2/FiO2≤100 mmHg （1 mmHg=0.133 kPa）共1 042次。以6～96 h、6～48 h以及6～24 h的生命体征数据各自采用逻辑回归、随机森林及LightGBM建立了9个预测模型。不同时间窗比较，6～96 h的预测准确率及AUC最高；不同模型间比较随机森林模型的诊断性能最优；6～96 h随机森林模型准确率为0.833,AUC为0.885;6～48 h、6～24 h时间窗口的AUC分别为0.815、0.806; LightGBM、逻辑回归模型的6～96 h时间窗口AUC分为0.868、0.634。各模型在解放军总医院ARDS患者中进行验证，依然是6～96 h时间窗的随机森林模型预测性能最佳，准确率为0.834,AUC为0.843。结论 基于随机森林构建的ARDS预测模型具有良好的预测能力，通过无创且易获取的心率、体温、呼吸频率三种体征指标，利用提前6～96 h时间窗数据对重度ARDS的发生进行预测，可帮助医护人员更早地进行干预和治疗。