峰值摄氧量（VO2peak）是评估心肺功能储备的“金标准”，也是心血管疾病风险分层和预后的重要指标。然而，传统的极量运动测试（CPET）存在耗时、昂贵且具有一定风险的局限性，难以在大规模体检或无法进行剧烈运动的人群中普及。本研究旨在利用机器学习技术，建立一种基于静息状态及亚极量运动数据的VO2peak预测模型，以期为临床提供一种无创、快速、低成本的心肺功能初筛工具。

本研究回顾性收集了100例受试者的临床与运动试验数据，包括静息特征（年龄、性别、身高、体重、静息心率、静息通气量）及亚极量运动特征（热身结束时的通气量、摄氧量、心率）。研究对比了ElasticNet、Lasso、Ridge、线性回归及梯度提升树等11种机器学习算法的预测性能。通过交叉验证评估模型的决定系数（R²）及平均绝对误差（MAE），并利用特征重要性分析筛选关键预测因子。最终选取性能最优的模型进行临床适用性分析。

在对比的11种模型中，ElasticNet回归模型表现最优，其在测试集上的决定系数（R²）达到0.5018，平均绝对误差（MAE）为4.93 ml/kg/min。特征重要性分析显示，体重（系数5.058）、年龄（系数4.461）和性别是预测VO2peak的前三大关键因子，而静息心率和静息摄氧量的贡献相对较小。值得注意的是，本研究引入的“亚极量运动特征”（如热身结束时的生理指标）并未显著提升模型的预测准确率（R²仅下降0.0007），提示在基础特征已包含大部分预测信息的情况下，增加运动测试环节并未带来额外的模型收益。该模型预测误差约为5 ml/kg/min，能够解释约50.2%的VO2peak变异。

本研究成功构建了基于静息数据的VO2peak预测模型。结果表明，简单的线性模型（ElasticNet）在小样本数据上表现稳健，且仅需基础人口学特征（年龄、性别、体重）即可达到与包含运动测试数据相当的预测精度。该模型具有重要的临床转化价值：（1）可用于体检人群的快速筛查，识别心肺功能低下风险个体；（2）验证了“静息数据”在预测心肺适能方面的巨大潜力，为那些无法进行极量运动测试的患者提供了一种替代评估方案；（3）提示在未来的模型优化中，应侧重于收集更多样化的静息特征（如运动习惯、疾病史）而非依赖复杂的运动测试数据，以进一步提升模型的解释力（当前R²约为0.5）和普适性。