目的 確定并篩選出與肩胛下肌腱（subscapularis，SSC）撕裂高度相關的可靠預測指標，并開發一種基于網絡的動態列線圖模型，幫助臨床醫生早期識別和干預SSC撕裂。 方法 收集2016年7月—2021年12月接受肩關節鏡手術的528例患者臨床資料，將2016年7月—2019年7月接受肩關節鏡手術的患者納入訓練集隊列，2019年8月—2021年12月接受肩關節鏡手術的患者納入驗證集隊列中。按照肩關節鏡下是否診斷SSC撕裂，分為SSC撕裂組和未撕裂組。采用單因素分析、LASSO回歸及10倍交叉驗證方法在訓練集隊列中篩選與SSC撕裂高度相關的可靠預測指標，利用R語言構建列線圖模型并進行內部驗證和外部驗證。使用一致性指數（C-index）和經1 000次Bootstrap法（自抽樣法）獲得的校正曲線評價模型表現。繪制受試者工作曲線，分別評價該預測模型和MRI（基于直接征象）的診斷表現（敏感度、特異度、預測值、似然比）。決策曲線分析（decision curve analysis，DCA）用于評價預測模型和MRI的臨床效用。結果 該列線圖模型在預測患者SSC撕裂發生風險方面展現出良好的區分度 ［C-index=0.878；95%CI（0.839，0.918）］，校正曲線顯示其預測結果與實際結果基本吻合。研究篩選出6個與SSC撕裂高度相關的間接評價指標，包括斜矢狀位喙突肱骨距離減小、積液征（Y-平面）、喙突下積液征（軸位）、二頭肌長頭腱移位（脫位/半脫位）、≥2根后上方肩袖撕裂（岡上/岡下肌腱）以及MRI懷疑SSC撕裂（直接征象）。與基于SSC撕裂直接征象的MRI診斷相比，該預測模型具備更優異的敏感度（80.2% vs. 57.0%）、陽性預測值（53.9% vs. 53.3%）、陰性預測值（92.7% vs. 86.3%）、陽性似然比（3.75 vs. 3.66）和陰性似然比（0.25 vs. 0.51）。DCA提示當風險閾值概率在3%～93%之間時，該預測模型能產生更高的臨床獲益。 結論該列線圖模型能可靠地預測SSC撕裂發生風險，可以作為輔助診斷的重要工具。