El objetivo es construir y validar un modelo de diagnóstico basado en aprendizaje automático para pacientes con síndrome cardiorrenal-metabólico (CKM) y estenosis coronaria grave, desde la perspectiva de la medicina tradicional china y occidental, para proporcionar apoyo en la toma de decisiones clínicas para pacientes con lesiones críticas. El método se basa en un estudio retrospectivo que incluye 535 pacientes hospitalizados de dos sedes independientes: la sede principal del Hospital de Medicina Tradicional China de la provincia de Jiangsu (enero a agosto de 2024) y la sede de Zidong (septiembre a diciembre de 2024). Los datos de la sede principal se dividieron aleatoriamente en una proporción 4:1 entre conjunto de entrenamiento (376 casos) y conjunto de validación interna (95 casos), mientras que los datos de la sede de Zidong se usaron como conjunto de validación externa (64 casos). Los factores de riesgo se seleccionaron mediante revisión bibliográfica, entrevistas con expertos y análisis LASSO (mínima contracción absoluta y selección). Se utilizaron nueve técnicas de aprendizaje automático para construir los modelos de diagnóstico. Se compararon los indicadores de evaluación comunes, curvas de calibración y curvas de decisión, y se realizó la selección del modelo mediante validaciones internas y externas. Se utilizó el método explicativo aditivo SHAP con dos casos para ayudar a entender la lógica del mejor modelo. Finalmente, el modelo óptimo se aplicó a pacientes con lesiones críticas y se calculó la eficacia diagnóstica. Resultados: La regresión LASSO identificó nueve factores de riesgo: flema, estasis, obstrucción, deficiencia, duración de hipertensión, sexo, índice de aterosclerosis (ASI), relación de ácido úrico a colesterol HDL (UHR) y hemoglobina glucosilada (HbA_1c). Tras comparaciones multidimensionales, LightGBM fue el mejor modelo, con un área bajo la curva ROC (AUC) de 0,918 [IC del 95% 0,890~0,945] en el conjunto de entrenamiento, 0,885 (IC 95% 0,820~0,951) en la validación interna y 0,897 (IC 95% 0,818~0,975) en la validación externa. Las curvas de calibración indican consistencia en la probabilidad de predicción; las curvas de decisión muestran beneficio clínico con un umbral de probabilidad <90%. La importancia SHAP en orden fue estasis, deficiencia, obstrucción, HbA_1c, sexo, flema, duración de hipertensión, ASI y UHR. Aplicado a pacientes con lesiones críticas, el AUC fue 0,783 (IC 95% 0,637~0,930), con un 73% de pacientes con estenosis severa real que pueden beneficiarse. Conclusión: Orientado al valor clínico, este modelo diagnóstico chino-occidental construido tiene buen rendimiento y puede apoyar el diagnóstico, tratamiento y toma de decisiones clínicas para pacientes con CKM.

síndrome cardiorrenal-metabólico;estenosis coronaria;lesión crítica;modelo diagnóstico;aprendizaje automático