目的基于我国社区老年人易获取的非影像学特征，建立并验证可解释的机器学习模型，用于轻度认知障碍（MCI）的早期筛查。方法采用中国健康与养老追踪调查（CHARLS）2011-2022年纵向数据，纳入年龄≥60岁且完成认知评估的研究对象1 198例，按7∶3比例随机分为训练集（n=838）和验证集（n=360）。在12项候选预测变量中以Boruta算法筛选预测特征，构建XGBoost等多种机器学习模型。采用受试者工作特征曲线下面积（AUC）、准确度、灵敏度、特异度、Brier分数评价模型性能，用决策曲线分析（DCA）评估临床实用性，采用SHAP方法进行可解释性分析。结果训练集内部，与非MCI组相比，MCI组年龄更大、受教育年限更短，农村户籍和自评健康状况差的比例更高，抑郁症状评分更高，即时记忆、延迟记忆和综合认知功能得分更低，平均红细胞体积（MCV）及空腹血糖水平更高，血红蛋白水平更低，差异均有统计学意义（均P<0.05）。Boruta算法从训练集12项候选预测变量中，筛选出4项变量：延迟记忆得分、即时记忆得分、综合认知功能得分、MCV。在验证集中，XGBoost模型表现最佳，AUC为0.854（95%CI：0.810～0.898），准确度为0.819，灵敏度为0.831，特异度0.803，Brier分数0.122，明显大于AdaBoost（AUC=0.801）、MLP（AUC=0.795）、Lasso-Logistic（AUC=0.792）、递归特征消除（RFE）-Logistic（AUC=0.781）模型的AUC，差异均有统计学意义（P<0.05）。剔除MCV后，XGBoost模型AUC由0.854（95%CI：0.810～0.898）降至0.777（95%CI：0.729～0.824），ΔAUC=0.077（95%CI：0.034～0.120），差异有统计学意义（Z=3.52，P<0.001）。DCA分析显示，XGBoost模型在15%~65%阈值概率区间内净获益最高。SHAP可解释性分析揭示，延迟记忆得分对模型预测贡献最大，MCV升高是发生MCI的独立危险因素（P<0.05）。结论基于4项易获取指标（包括MCV）的XGBoost模型具有良好的判别性能、临床实用性和可解释性，适用于基层医疗机构开展MCI早期筛查。MCV作为检测简便、低成本的血液生物标志物，对MCI具有独立预测价值，值得进一步探索其潜在机制和临床应用前景。