目的:构建胸腔镜单肺叶切除术患者术后住院时间延长的预测模型。方法:回顾性收集2016年3月至2019年2月于本院胸外科择期气管插管全麻下行胸腔镜单肺叶切除术患者的病历资料，性别不限，年龄≥18岁，ASA分级Ⅰ~Ⅲ级，术后病理诊断为非小细胞肺癌。收集患者基本信息(性别、年龄、吸烟史)、既往病史(血脂异常、高血压、糖尿病、心脑血管疾病、周围血管疾病、慢性阻塞性肺疾病)、过敏史、其他肿瘤史、手术切除部位、麻醉因素(术中非甾体抗炎药和糖皮质激素使用情况、麻醉时长、术中硬膜外麻醉+术后硬膜外镇痛情况)和术后并发症发生情况(胸腔积液、气胸、肺不张)。根据术后住院时间是否延长分为术后住院时间正常组(≤7 d)和术后住院时间延长组(>7 d)。采用logistic回归分析，筛选胸腔镜单肺叶切除术患者术后住院时间延长的预测因子。基于TensorFlow深度学习框架构建患者术后住院时间延长的回归预测模型，评价模型预测效果；进一步基于TensorFlow框架搭建深度神经网络，构建患者术后住院时间延长的分类预测模型，评价模型预测效果，并与传统机器学习算法构建的预测模型进行比较。结果:最终共纳入428例患者。多因素logistic回归分析结果显示，年龄和麻醉时长是胸腔镜单肺叶切除术患者术后住院时间延长的危险因素，女性、其他肿瘤史和右肺中叶切除是保护因素( P<0.05)。回归预测模型在训练集和测试集上的平均绝对误差分别为2.16和2.14，均方误差分别为11.05和11.73，模型拟合效果欠佳。分类预测模型在测试集上的准确率、F1值、受试者工作特征曲线下面积分别为75.58%、0.553和0.702，模型预测效果尚可，然而预测效果不优于基于逻辑回归、随机森林、梯度提升和支持向量机的4种传统机器学习方法构建的预测模型。 结论:性别、年龄、手术切除部位、其他肿瘤史和麻醉时长可作为预测因子，基于深度神经网络构建胸腔镜单肺叶切除术患者术后住院时间延长的分类预测模型。