目的构建基于机器学习算法的缺血性心脏病患者住院费用在线预测应用。方法选取2022年1月1日至12月31日在汕头大学医学院第二附属医院诊治并出院的1 332份缺血性心脏病患者住院病案进行研究。采用logistic回归、支持向量机、回归树、随机森林、神经网络、极限梯度提升（XGBoost）等统计学模型进行计算，比较各个模型在建模组及验证组的效能指标，以获取最优的统计学模型。使用ShinyApp工具将所选模型转化为在线应用，以便于实际应用和推广。结果重症监护治疗、疾病诊断数量＞5个、经皮冠状动脉介入治疗（PCI）、住院时间为缺血性心脏病患者住院费用的独立影响因素（P<0.05）。验证组中，6个模型受试者工作特征（ROC）曲线的曲线下面积（AUC）比较，由大到小依次为XGBoost（AUC=0.932）、神经网络（AUC=0.931）、随机森林（AUC=0.928）、支持向量机（AUC=0.928）、logistic回归（AUC=0.924）、回归树（AUC=0.916）。结论通过机器学习算法建立高精准度的预测模型，可提供精准的医疗服务，制订合理的诊疗路径，提高诊疗服务效率。