目的构建基于机器学习的慢性疼痛患者压力性损伤（PI）风险预测模型，并分析其准确性和合理性，为临床PI的预测评估提供依据。方法回顾性分析2023年3月至2024年6月在重庆市某三甲医院住院的396例患有慢性疼痛且Braden评分表评分为高风险患者的临床病历资料。基于Python3.10编程语言，构建决策树模型、随机森林模型、线性回归模型、朴素贝叶斯模型、K-Means模型，并通过准确率、灵敏度、精确度、F1分数和受试工作者特征（ROC）曲线下面积（AUC）对模型性能进行比较。结果35例患者发生PI，发生率为8.84%。年龄、数字评分量表（NRS）评分、疼痛部位、疼痛影响睡眠为慢性疼痛患者发生PI的影响因素。5种PI风险预测模型中，随机森林模型的准确率（0.873）、灵敏度（0.874）、精确度（0.848）、F1分数（0.844）和ROC AUC（0.81）均高于其他模型。结论随机森林模型对慢性疼痛患者PI具有较高的预测性能，可以用于慢性疼痛患者PI高危人群的筛选和管理。