入住重症监护病房（ICU）的类风湿关节炎患者面临较高的死亡风险。然而，传统的ICU评分系统并未专门针对RA独特的病理生理特征进行设计。本研究旨在开发一种机器学习框架，以准确预测这类患者的30天死亡率。

研究分析了MIMIC-IV数据库中400例RA患者的数据。通过LASSO回归筛选出九个关键预测因子：年龄、血尿素氮（BUN）、凝血酶原时间（PT）、呼吸频率、血氧饱和度（SpO₂）、血糖、尿量以及冠心病。研究采用SMOTE技术处理类别不平衡问题，构建了六种机器学习模型。模型性能通过AUC、敏感性和SHAP分析进行评估，以确保结果的可解释性。

LR-SMOTE模型展现出最佳的区分能力（AUC = 0.69），而Stacking集成模型达到了最高的敏感性（0.8）。在eICU数据集上进行外部验证时，LR-SMOTE模型的AUC为0.742。SHAP分析显示，尿量、冠心病和年龄是最具影响力的预测因子。

该机器学习驱动的预测框架为危重RA患者提供了比传统指标更具针对性、更准确的预后工具。通过利用易于获取的临床参数，该框架能够支持ICU中积极主动、个体化的临床决策。