Ziel ist der Aufbau und die Validierung eines Diagnosemodells auf Basis von maschinellem Lernen für Patienten mit Herz-Nieren-Metabolischem Syndrom (CKM) und schwerer koronaren Stenose aus Sicht der chinesischen und westlichen Medizin, um klinische Entscheidungsunterstützung für Patienten mit kritischen Läsionen zu bieten. Die Methode basiert auf einem retrospektiven Studiendesign und umfasst 535 hospitalisierte Patienten aus zwei unabhängigen Standorten: der Hauptabteilung des Jiangsu-Krankenhauses für chinesische Medizin (Januar bis August 2024) und dem Zidong-Standort (September bis Dezember 2024). Die Daten der Hauptabteilung wurden im Verhältnis 4:1 zufällig in Trainingsdatensatz (376 Fälle) und interne Validierung (95 Fälle) aufgeteilt, die Daten des Zidong-Standorts dienten als externe Validierung (64 Fälle). Risikofaktoren wurden durch Literaturrecherche, Experteninterviews und LASSO-Analyse (Least Absolute Shrinkage and Selection Operator) ausgewählt. Für das Diagnosemodell wurden neun maschinelle Lerntechniken verwendet. Übliche Bewertungskennzahlen, Kalibrierungskurven und Entscheidungsbereiche wurden verglichen, und das Modell wurde mittels interner und externer Validierung ausgewählt. Mithilfe der additiven SHAP-Erklärungsmethode und zwei Fallbeispielen wurde die Logik des besten Modells verständlich gemacht. Schließlich wurde das beste Modell bei Patienten mit kritischen Läsionen angewendet und die diagnostische Leistung berechnet. Ergebnisse: Die LASSO-Regression identifizierte neun Risikofaktoren: Schleim, Stase, Stagnation, Schwäche, Dauer der Hypertonie, Geschlecht, Arterioskleroseindex (ASI), Verhältnis von Harnsäure zu HDL-Cholesterin (UHR) und glykosyliertes Hämoglobin (HbA_1c). Nach multidimensionalem Vergleich war LightGBM das beste Modell mit einer Fläche unter der ROC-Kurve (AUC) von 0,918 [95% Konfidenzintervall (CI) 0,890~0,945] im Trainingsdatensatz, 0,885 (95% CI 0,820~0,951) in der internen Validierung und 0,897 (95% CI 0,818~0,975) in der externen Validierung. Kalibrierungskurven zeigten konsistente Vorhersagewahrscheinlichkeiten, Entscheidungsbereiche zeigten einen klinischen Nutzen bei Schwellenwahrscheinlichkeiten unter 90 %. Die SHAP-Bedeutungsrangfolge war: Stagnation, Schwäche, Stase, HbA_1c, Geschlecht, Schleim, Dauer der Hypertonie, ASI, UHR. Bei Anwendung des Modells auf Patienten mit kritischen Läsionen betrug die AUC 0,783 (95% CI 0,637~0,930), wobei 73 % der tatsächlich schwer stenotischen Patienten davon profitieren konnten. Schlussfolgerung: Orientiert an klinischem Mehrwert weist das entwickelte chinesisch-westliche Diagnostikmodell eine gute Leistung auf und kann die klinische Diagnose, Behandlung und Entscheidungsfindung bei CKM-Patienten unterstützen.

Herz-Nieren-Metabolisches Syndrom;koronare Stenose;kritische Läsion;Diagnosemodell;maschinelles Lernen