Objectif : Sur la base du syndrome cœur-rein-métabolique (CKM), construire et valider un modèle diagnostique combinant la médecine chinoise et occidentale par apprentissage automatique pour la sténose coronarienne sévère chez les patients CKM, fournissant un support à la décision clinique pour les lésions critiques. Méthodes : Étude rétrospective incluant 535 patients hospitalisés issus de deux centres indépendants : hôpital principal de la province de Jiangsu (janvier-août 2024) et Zidong (septembre-décembre 2024). Les données du centre principal ont été divisées aléatoirement en entraînement (376 patients) et validation interne (95 patients) selon un ratio 4:1, les données de Zidong servant de validation externe (64 patients). Les facteurs de risque ont été sélectionnés via revue documentaire, entretiens d’experts et analyse LASSO (moindre contrainte absolue et sélection). Neuf techniques de machine learning ont été utilisées pour construire le modèle diagnostique. Comparaison des indicateurs usuels, courbes de calibration et de décision, avec validation interne et externe pour la sélection du modèle. Explication du modèle optimal via la méthode additive SHAP et présentation de deux cas pour aider à comprendre la logique. Le modèle final a été appliqué aux patients avec lésion critique et les performances diagnostiques évaluées. Résultats : La régression LASSO a sélectionné 9 facteurs de risque : mucosités, stase, congestion, insuffisance, durée de l’hypertension, sexe, indice d’athérosclérose (ASI), ratio acide urique/cholestérol HDL (UHR), hémoglobine glyquée (HbA_1c). Après comparaison, le LightGBM (machine à gradient léger) était le meilleur modèle avec une aire sous la courbe ROC (AUC) de 0.918 (IC 95% 0.890-0.945) dans le groupe d’entraînement, 0.885 (IC 95% 0.820-0.951) en validation interne et 0.897 (IC 95% 0.818-0.975) en validation externe. Les courbes de calibration indiquent une bonne cohérence des probabilités prédites ; les courbes de décision montrent un bénéfice clinique pour des seuils de probabilité <90%. L’importance selon SHAP était dans l’ordre : congestion, insuffisance, stase, HbA_1c, sexe, mucosités, durée d’hypertension, ASI, UHR. Appliqué aux patients avec lésion critique, le modèle a montré un AUC de 0.783 (IC 95% 0.637-0.930) avec 73% des patients présentant une sténose sévère réelle pouvant en bénéficier. Conclusion : Orienté vers la valeur clinique, ce modèle diagnostique combinant médecine chinoise et occidentale montre une bonne performance et peut servir de base au diagnostic et à la prise de décision clinique chez les patients CKM.

syndrome cœur-rein-métabolique;sténose coronarienne;lésion critique;modèle de diagnostic;apprentissage automatique