糖尿病肾病（DKD）患者因免疫失衡和慢性炎症，入住重症监护室（ICU）后极易发生脓毒症，但目前缺乏针对该人群的早期预测模型。本研究旨在基于 MIMIC-IV 数据库，利用机器学习方法建立脓毒症早期预警模型，为临床早期识别高危患者提供参考。

研究纳入 2008–2022 年 MIMIC-IV 数据库中首次入 ICU 的 DKD 成人患者，脓毒症定义依据 Sepsis-3 标准（感染 + SOFA ≥ 2）。排除 ICU 停留 <24 h 及 <18 岁者，共 2,946 例患者（脓毒症 52.24%）。变量取自入科 24 h 内，包括人口学、生命体征、实验室指标、疾病评分及用药记录。缺失值用 missForest 算法插补，数据按 7:3 分为训练与验证集。采用 LASSO 回归和 Boruta 算法筛选特征，并建立 8 种机器学习模型。性能以 AUC 为主要指标，结合准确率、灵敏度、特异度及 F1 值综合评估。

共筛选出 14 个关键变量，包括 APS III、SOFA、呼吸频率、体温、阴离子间隙、血尿素氮、红细胞分布宽度、血糖、抗生素、去甲肾上腺素、他汀、入院类型、慢阻肺和心衰。随机森林（RF）模型在验证集中表现最佳（AUC=0.860，准确率80.1%，F1=0.78）。模型校准良好，决策曲线分析显示最高临床净收益。

随机森林模型能有效整合多维临床数据，对 DKD 患者脓毒症风险实现高精度预测，为 ICU 早期干预提供有力工具。