目的通过可解释性机器学习方法构建重症监护室(ICU)妇科恶性肿瘤患者发生急性肾损伤(AKI)风险的预测模型，以优化疗效与预后。方法数据源自重症监护医学信息数据库(MIMIC)-Ⅳ妇科恶性肿瘤患者。将人群以7∶3比例随机划分为训练集与验证集，运用最小绝对收缩和选择算子(LASSO)回归对训练集进行特征选择，采用5种机器学习算法构建预测模型，利用沙普利加性解释(SHAP)方法对最优模型的特征进行解释。结果在374例MIMIC-Ⅳ妇科恶性肿瘤患者中，254例(67.9%)在ICU内发生AKI。建立了7个变量的预测模型，其中极限梯度提升(XGBoost)模型效果最佳，验证集中受试者工作特征（ROC）曲线下面积（AUC)为0.797(95%CI：0.779~0.815)。结论该研究构建并验证了一种用于预测ICU妇科恶性肿瘤患者AKI发生风险的机器学习模型。该模型结合SHAP方法可帮助医生优化临床治疗和管理策略。