L'objectif est de construire et de valider un modèle de diagnostic basé sur l'apprentissage automatique pour les patients atteints du syndrome cœur-rein-métabolique (CKM) avec une sténose coronaire sévère, vue sous l'angle de la médecine chinoise et occidentale, afin de fournir un support à la décision clinique pour les patients présentant des lésions critiques. La méthode repose sur une étude rétrospective, incluant 535 patients hospitalisés provenant de deux sites indépendants : le siège principal de l'Hôpital de médecine traditionnelle chinoise de la province du Jiangsu (janvier à août 2024) et le site de Zidong (septembre à décembre 2024). Les données du site principal ont été réparties aléatoirement à raison de 4:1 en un ensemble d'entraînement (376 cas) et un ensemble de validation interne (95 cas), tandis que les données du site de Zidong ont servi d'ensemble de validation externe (64 cas). Les facteurs de risque ont été sélectionnés via une revue documentaire, des entretiens d'experts et l'analyse LASSO (moindre valeur absolue et sélection). Neuf techniques d'apprentissage automatique ont été utilisées pour construire les modèles de diagnostic. Les indicateurs d'évaluation usuels, les courbes de calibration et de décision ont été comparés, et la sélection du modèle a été réalisée via des validations interne et externe. La méthode explicative additive SHAP a été employée avec deux cas pour aider à comprendre la logique de fonctionnement du meilleur modèle. Enfin, le modèle optimal a été appliqué aux patients avec lésions critiques et l'efficacité diagnostique a été calculée. Résultats : la régression LASSO a sélectionné 9 facteurs de risque : expectorations, stase, stagnation, déficience, durée de l'hypertension, sexe, indice d'athérosclérose (ASI), rapport acide urique/HDL-cholestérol (UHR), hémoglobine glyquée (HbA_1c). Après comparaisons multidimensionnelles, LightGBM s'est avéré le meilleur modèle, avec une aire sous la courbe ROC (AUC) de 0,918 [IC à 95 % 0,890~0,945] pour l'ensemble d'entraînement, 0,885 (IC 95 % 0,820~0,951) pour la validation interne et 0,897 (IC 95 % 0,818~0,975) pour la validation externe. Les courbes de calibration indiquent une bonne concordance des probabilités prédictives ; les courbes de décision montrent un bénéfice clinique lorsque la probabilité seuil est <90 %. Le classement d'importance SHAP est : stagnation, déficience, stase, HbA_1c, sexe, expectorations, durée de l'hypertension, ASI, UHR. Appliqué aux patients avec lésions critiques, le modèle a obtenu une AUC de 0,783 (IC 95 % 0,637~0,930), avec 73 % des patients réellement atteints de sténose sévère pouvant en bénéficier. Conclusion : orienté vers la valeur clinique, ce modèle diagnostique chinois-ocidental présente une bonne performance et peut soutenir la prise en charge clinique et la décision thérapeutique des patients CKM.

syndrome cœur-rein-métabolique;sténose coronaire;lésion critique;modèle diagnostique;apprentissage automatique