肺炎是ICU患者主要发病和死亡原因，尽管治疗进步，但重症肺炎死亡率仍高（17.1%-38.3%）。传统评分如SOFA、APACHE-II、CURB-65预测局限明显。本研究开发并验证机器学习模型预测肺炎院内死亡率，通过多数据库验证提升泛化性和临床适用性。

本回顾性多中心研究利用四个大型数据库开发和验证模型。MIMIC-IV（9,410例患者）为训练集，MIMIC-III（2,487例）、eICU（13,541例）和复旦大学附属中山医院前瞻性队列（345例）为外部验证集，总计25,783例患者。采用Boruta算法从21个变量中筛选特征，实施随机森林、XGBoost、逻辑回归、LASSO和支持向量机五种算法。使用SHAP分析评估可解释性，通过AUC、敏感性、特异性等指标评价性能。

队列死亡率差异为17.1%-38.3%。Boruta识别9个关键特征：年龄、舒张压、心率、体温、呼吸频率、肌酐、血尿素氮、血小板计数和白细胞计数。XGBoost模型最佳，训练集AUC 0.747（95% CI: 0.733-0.761），外部验证AUC为MIMIC-IV测试集0.672（0.649-0.695）、MIMIC-III 0.670（0.647-0.693）、eICU 0.695（0.683-0.706）、复旦数据集0.653（0.594-0.711）。SHAP显示血小板计数最重要（平均重要性0.033475），其次血尿素氮（0.032406）和年龄（0.027566）。决策曲线分析证实模型临床实用性，在0.05-0.35阈值内净效益优于全部/无治疗策略。

研究首次实现肺炎死亡率预测模型的多数据库验证，性能优于传统评分。XGBoost结合SHAP提供决策工具，在四个数据库（含我国队列）一致验证。支持个性化风险评估，助高危患者早期干预、优化资源，改善肺炎管理。