目的基于机器学习（ML）算法构建食管癌患者同步放化疗（CRT）过程中发生≥2级放射性食管炎（RE）的预测模型。方法回顾性分析2018年1月至2023年1月在安徽医科大学附属六安医院接受CRT的276例食管癌患者的临床资料，根据美国放射肿瘤治疗协作组RE分级标准评估是否发生RE，以发生≥2级RE为结局事件。通过最小绝对值收敛和选择算子（LASSO）回归筛选变量后重新建立数据集，将数据集以7∶3的比例分为训练集（n=193）及测试集（n=83），纳入到随机森林（RF）、决策树（DT）、极端梯度提升（XGboost）、支持向量机（SVM）4种ML模型中。在训练集中进行数据训练、模型优化，测试集用于受试者操作特征（ROC）曲线评价模型效果，计算曲线下面积（AUC）、精确度、准确度、敏感性、F1分数对模型进行评估，使用SHAP分析解释最优模型。结果至随访结束，91例（32.97%）食管癌患者在CRT期间发生≥2级RE。≥2级RE发生组（n=91）与未发生组（n=185）患者肿瘤病灶长径（Z=-5.53，P<0.001）、Karnofsky功能状态（KPS）评分（χ²=5.92，P=0.015）、美国东部肿瘤协作组（ECOG）评分（χ²=4.01，P=0.045）、高血压（χ²=15.35，P<0.001）、糖尿病（χ²=13.06，P<0.001）、白细胞计数（Z=-6.59，P<0.001）、中性粒细胞计数（Z=-6.72，P<0.001）、放疗剂量（χ²=9.81，P=0.002）差异均具有统计学意义。经过LASSO回归筛选最终选择出7个特征变量，分别为肿瘤病灶长径、ECOG评分、KPS评分、中性粒细胞计数、高血压、糖尿病、放疗剂量。ROC曲线分析显示，XGBoost模型预测性能较好，其AUC为0.90、准确度为0.82、精确度为0.80、敏感性为0.73、FI分数为0.76，RF模型AUC为0.89、准确度为0.78、精确度为0.76、敏感性为0.48、FI分数为0.59，DT模型AUC为0.72、准确度为0.72、精确度为0.44、敏感性为0.60、FI分数为0.52，SVM模型AUC为0.74、准确度为0.82、精确度为0.52、敏感性为0.88、FI分数为0.65。通过SHAP分析对XGBoost模型进行解释，其中肿瘤病灶长径、中性粒细胞计数、高血压、糖尿病、放疗剂量对食管癌患者CRT期间发生≥2级RE预测能力较强。结论基于XGBoost算法建立的模型对食管癌患者CRT期间发生≥2级RE具有较好的预测效能，同时与SHAP分析相结合，可以直观地了解模型中重要特征对结局的影响。