术后谵妄（POD）作为心脏外科术后高发的急性神经系统并发症，因其与住院时间延长、功能恢复延迟及死亡率升高等不良结局明显相关，已成为围手术期管理的核心挑战。随着医疗数据规模的扩大和人工智能技术的进步，基于机器学习的POD风险预测模型凭借其高效整合多维度数据和解析复杂非线性关系的优势，为POD早期识别与干预提供了新路径。现有研究表明，监督学习与集成算法通过特征筛选及权重优化可明显提升预测性能，但模型构建仍面临数据异质性高、样本偏差等挑战。尽管外部验证是推动模型临床转化的关键环节，但跨中心数据共享壁垒与隐私保护问题制约了其实际应用。此外，当前研究普遍存在模型可解释性不足、实时预测滞后及临床适配性有限等缺陷。该文通过系统梳理机器学习在心脏外科POD风险预测中的应用进展、应用潜力与局限性，为构建精准化、个体化的围手术期风险管理体系提供多维度理论支撑，旨在促进临床决策系统升级、改善患者预后并实现医疗资源的智能化配置。