目的系統評價采用機器學習（machine learning，ML）的心臟驟停（cardiac arrest，CA）早期臨床預測模型的預測價值。方法計算機檢索 PubMed、EMbase、WanFang Data 和 CNKI 數據庫，搜集關于 ML 用于 CA 預測的研究，檢索時限均從 2015 年 1 月至 2021 年 2 月。由 2 名研究者獨立篩選文獻、提取資料并評價納入研究的偏倚風險后，評價不同模型的診斷準確性和比較受試者工作特征曲線下面積（AUC）。結果共納入 38 個研究。在數據來源方面，13 篇研究數據來源于開源數據庫，25 篇文章回顧性收集了患者資料，其中直接預測 CA 的文章有 21 篇，預測 CA 相關性心律失常的文章有 3 篇，預測心源性猝死的文章有 9 篇。共有 51 種模型被采用，其中使用頻次最高的 ML 算法為人工神經網絡（n=11），其次為隨機森林（n=9）和支持向量機（n=5）。使用頻次最高的輸入特征為心電圖參數（n=20），其次為年齡（n=12）和心率變異率（n=10）。共有 6 個研究比較了 ML 與其他經典統計學模型的預測價值，且 ML 模型的 AUC 值普遍高于經典統計學模型。結論現有證據表明，ML 可更準確地預測 CA 的發生，在特定情況下 ML 的預測性能優于傳統統計學模型。