目的：心-腎-代謝症候群（CKM）の視点に基づき、CKM患者の冠動脈重度狭窄に対する中西医診断機械学習モデルを構築・検証し、境界病変患者への臨床意思決定支援を提供する。方法：後ろ向き研究デザインに基づき、江蘇省中医院本部（2024年1月～8月）および紫東（2024年9月～12月）の2つの独立病院から合計535例の入院患者を選出。本部病院データは4対1の割合で訓練セット（376例）と内部検証セット（95例）にランダムに分割し、紫東病院データは外部検証セット（64例）として用いた。文献レビュー法、専門家へのインタビュー、および最小絶対収縮および選択アルゴリズム（LASSO）を用いて危険因子を選択し、9種類の機械学習技術で診断モデルを構築。一般的な評価指標、キャリブレーションカーブ、意思決定カーブを比較し、内部および外部検証によりモデルのスクリーニングを行った。シャプリ加法的説明法（SHAP）と2例のケースを用いて最良モデルの動作ロジックを理解支援。最終的に最良モデルを境界病変患者に適用し、診断性能を算出。結果：LASSO回帰により9つの危険因子が選出された：痰、瘀、滞、虚、高血圧病程、性別、動脈硬化指数（ASI）、尿酸と高密度リポ蛋白コレステロール比（UHR）、糖化ヘモグロビン（HbA_1c）。多角的比較の結果、ライトウェイト勾配ブースティングマシン（LightGBM）が最良モデルであり、訓練セットにおけるROC曲線下面積（AUC）は0.918［95％信頼区間（CI）0.890～0.945］、内部検証セットは0.885（95％CI 0.820～0.951）、外部検証セットは0.897（95％CI 0.818～0.975）であった。キャリブレーションカーブは予測確率の一貫性を示し、意思決定カーブは閾値確率<90％で臨床的利益があることを示した。SHAPの重要度ランキングは滞、虚、瘀、HbA_1c、性別、痰、高血圧病程、ASI、UHRの順であった。診断モデルを境界病変患者に適用するとAUCは0.783（95％CI 0.637～0.930）であり、実際の重度狭窄患者の73％が利益を得た。結論：臨床的価値を重視し、本研究で構築した中西医診断モデルは優れた性能を有し、CKM患者の臨床診療および意思決定の根拠となり得る。

心-腎-代謝症候群;冠動脈狭窄;境界病変;診断モデル;機械学習