목적: 심장-신장-대사 증후군(CKM)의 관점에서 CKM 환자의 관상동맥 중증 협착에 대한 중서의 진단 기계학습 모델을 구축 및 검증하여 경계 병변 환자에게 임상 의사결정 지원을 제공하고자 함. 방법: 후향적 연구 설계로, 장쑤성 중의병원 본부(2024년 1월~8월)와 자동(2024년 9월~12월) 두 독립 병원의 입원 환자 535명을 선별함. 본부 병원 데이터는 4:1로 무작위로 훈련 집합(376명)과 내부 검증 집합(95명)으로 분할하였고, 자동 병원 데이터는 외부 검증 집합(64명)으로 사용함. 문헌 고찰법, 전문가 인터뷰 및 최소 절대 축소 및 선택 알고리즘(LASSO)을 통해 위험 요인을 선별하고 9가지 머신러닝 기법으로 진단 모델을 구축함. 일반적 평가 지표, 보정 곡선 및 의사결정 곡선을 비교하고 내부 및 외부 검증을 통해 모델을 선택함. 최적 모델의 작동 논리를 이해하기 위해 SHAP 가법 설명법과 사례 2개를 활용함. 최종적으로 최적 모델을 경계 병변 환자에 적용하고 진단 성능을 산출함. 결과: LASSO 회귀 분석에서 9개의 위험 요인(담, 체, 체체, 허, 고혈압 병력, 성별, 동맥경화 지수(ASI), 요산과 고밀도 지단백 콜레스테롤 비율(UHR), 당화혈색소(HbA_1c))을 선별함. 다각도 비교 결과, 경량화 그래디언트 부스팅 머신(LightGBM)이 최적 모델로, 훈련 집합에서 ROC 곡선 아래 면적(AUC)은 0.918[95% 신뢰구간(CI) 0.890~0.945], 내부 검증 집합은 0.885(95%CI 0.820~0.951), 외부 검증 집합은 0.897(95%CI 0.818~0.975)임. 보정 곡선은 예측 확률의 일관성을 시사하며, 의사결정 곡선은 임계 확률<90%에서 임상적 이익이 있음을 나타냄. SHAP 중요도 순위는 체, 허, 체체, HbA_1c, 성별, 담, 고혈압 병력, ASI, UHR임. 진단 모델을 경계 병변 환자에 적용한 결과 AUC는 0.783(95%CI 0.637~0.930), 실제 중증 협착 환자의 73%가 이익을 얻음. 결론: 임상 가치를 목표로 하는 이 연구에서 구축한 중서 진단 모델은 우수한 성능을 가지며 CKM 환자의 임상 진료 및 의사결정에 근거를 제공할 수 있음.

심장-신장-대사 증후군; 관상동맥 협착; 경계 병변; 진단 모델; 머신러닝