全球卒中疾病负担沉重，日常生活活动能力（ADL）受损是卒中患者失能、生活质量下降的核心问题，传统ADL预后预测方法难以处理高维临床数据与非线性关联，且现有机器学习研究多未纳入康复干预变量，模型与临床决策脱节。本研究旨在构建并验证融合患者基线数据与多康复干预方案的机器学习模型，预测卒中患者ADL预后，筛选关键预测因子并明确不同康复干预的预后贡献。

本研究为回顾性多中心研究，训练集与内部验证集纳入东南大学附属中大医院2022年1月至2025年5月康复科942例卒中患者，外部验证集纳入盱眙县人民医院2023年1月至2025年5月191例患者；纳入经影像学确诊、入院Barthel指数（BI）<60分的成年卒中患者，排除合并其他神经疾病与数据不全者。以出院BI≥60分为ADL预后良好终点，纳入人口学、卒中特征、基线功能评分、康复干预、实验室检查五类预测特征，采用多重插补处理缺失值，经单因素分析与SelectFromModel算法筛选特征，构建逻辑回归（LR）、决策树（DT）、支持向量机（SVM）等9种机器学习模型，以受试者工作特征曲线下面积（AUROC）、准确率等评估性能，通过SHAP分析特征重要性。

结果显示，942例患者分为预后依赖组681例、独立组261例，多指标组间差异显著；最终筛选出15个核心特征，入院BI为首要预测因子，Brunnstrom分期、年龄次之，康复干预中起立床训练、言语治疗、盆底肌康复重要性居前。内部验证中各模型AUROC为0.819~0.854、准确率0.788~0.825，SVM模型AUROC（0.854）、准确率（0.825）均最优，KNN（K近邻算法）、LightGBM（轻量级梯度提升机）紧随其后。外部验证191例患者，模型AUROC达0.878~0.922、准确率0.826~0.875，随机森林（RF）AUROC最高（0.922），SVM准确率最佳（0.875），模型泛化能力优异。

本研究构建了高精度预测模型，用于评估接受多种康复干预的卒中患者日常生活活动能力，外部验证结果证实该模型具备良好的泛化能力。入院Barthel指数评分是最重要的预测因子，在各类康复干预中，倾斜床训练、言语治疗、盆底肌康复的特征重要性位居前列。模型中SVM拟合效果最优，RF泛化性最佳，逻辑回归兼具可解释性，多层感知器（MLP）因样本量受限表现欠佳。研究虽存在回顾性设计、仅预测短期预后、未纳入康复干预强度等局限，但所建模型精准可靠，可为临床制定卒中精准康复方案、优化决策提供科学依据。