目的　应用机器学习（ML）建立脓毒性休克患者住院28 d死亡预测模型，并验证其有效性。方法　对2019年1月至2024年6月苏州大学附属苏州九院收治的脓毒性休克患者的临床资料进行回顾性分析。根据患者入院28 d的预后分为死亡组（104例）和生存组（161例）。使用最小绝对收缩选择算子（LASSO）算法筛选脓毒性休克患者住院28 d死亡的关键变量。总体数据以3∶1比例随机分配到训练集和测试集。通过比较8种不同的机器学习算法，选择最优算法来重建脓毒性休克患者住院28 d死亡的预测模型。使用受试者工作特征（ROC）曲线下面积（AUC）和临床决策曲线（DCA）评估模型的性能。Shapley加性解释（SHAP）算法用于模型解释。结果　共纳入265例脓毒性休克患者。通过临床初步筛选，模型最初包含47个变量，经过LASSO模型进一步筛选后，确定9个变量用于后续模型开发。在构建的8个模型中，径向基函数支持向量机（RSVM）模型表现出最佳的整体性能。使用最优算法重建后，训练集和测试集的AUC分别为0.85和0.77，准确率分别为78.8%和71.6%，召回率分别为75.6%和69.2%，DCA曲线均显示出更高的净收益。Shapley加性解释（SHAP值）和变量的优先级排序显示，涉及4个或更多器官的多器官功能障碍综合征是最重要的特征变量，其次是急性生理学和慢性健康状况评分Ⅱ和序贯器官衰竭评估（SOFA）评分。结论　通过机器学习建立模型可以准确预测脓毒性休克患者住院28 d死亡风险，改善其风险分层，从而指导临床医生采取适当的干预措施。