目的分析2型糖尿病患者的临床指标特征，利用机器学习筛选风险预测指标，建立简便、有效的2型糖尿病合并冠心病的风险预测模型。方法采用回顾性研究的方法，选取2022年1月至2023年11月该院心内科住院且诊断为2型糖尿病合并冠心病的患者217例作为合并冠心病组，同期在门诊确诊为2型糖尿病患者214例作为糖尿病组，记录两组患者实验室常规检测数据。通过最小绝对收缩和选择算法(Lasso)筛选特征，运用随机森林、决策树、支持向量机、极端梯度提升、Logistic回归、K近邻算法、人工神经网络7种机器学习算法建立模型，通过受试者工作特征曲线及曲线下面积（AUC）、校准曲线、特异度、灵敏度、F1值等指标评价不同模型的诊断效能。结果通过Lasso回归共筛选出年龄、性别、收缩压、舒张压、心率、C反应蛋白、血糖等20个关键因素。纳入模型后，支持向量机模型具有最高的灵敏度(88.37%)、阴性预测值(82.14%)及AUC(0.845)，随机森林模型具有最高的准确度(76.47%)、阳性预测值(76.74%)、F1值(0.77)，而极端梯度提升算法具有较好的特异度(80.95%)，引入支持向量机模型及SHAP值后，归纳得出血糖对于糖尿病合并冠心病具有正向影响。结论机器学习可作为2型糖尿病患者合并冠心病风险评估的有效工具，其中支持向量机、随机森林和极端梯度提升模型均有较好的预测效能，具有一定的临床应用前景。