Objetivo: basado en el síndrome cardíaco-renal-metabólico (CKM), construir y validar un modelo diagnóstico de aprendizaje automático integrando medicina tradicional china y occidental para estenosis coronaria severa en pacientes con CKM, brindando soporte para decisiones clínicas en lesiones críticas. Métodos: estudio retrospectivo con 535 pacientes hospitalizados de dos sedes independientes: hospital principal de Jiangsu (enero-agosto 2024) y Zidong (septiembre-diciembre 2024). Los datos del hospital principal se dividieron aleatoriamente 4:1 en conjunto de entrenamiento (376) y validación interna (95); los datos de Zidong fueron el conjunto de validación externa (64). La selección de factores de riesgo se realizó mediante revisión bibliográfica, entrevistas a expertos y análisis LASSO (contracción absoluta mínima y selección). Se usaron 9 técnicas de aprendizaje automático para construir los modelos diagnósticos. Se compararon indicadores comunes, curvas de calibración y de decisión, con validación interna y externa. Se empleó SHAP para explicar el mejor modelo y se añadieron dos casos para ayudar a entender su lógica. Finalmente, se aplicó el mejor modelo a pacientes con lesiones críticas y se calculó su eficacia diagnóstica. Resultados: LASSO seleccionó 9 factores de riesgo: flema, estasis, estancamiento, insuficiencia, duración de hipertensión, sexo, índice de arteriosclerosis (ASI), relación ácido úrico/colesterol HDL (UHR), hemoglobina glucosilada (HbA_1c). Tras evaluaciones múltiples, LightGBM fue el mejor modelo con AUC en curva ROC de 0.918 (IC 95% 0.890-0.945) en entrenamiento, 0.885 (IC 95% 0.820-0.951) en validación interna, y 0.897 (IC 95% 0.818-0.975) en validación externa. Las curvas de calibración indicaron consistencia en las probabilidades previstas; las curvas de decisión mostraron beneficio clínico con umbrales de probabilidad <90%. El ranking SHAP fue estancamiento, insuficiencia, estasis, HbA_1c, sexo, flema, duración de hipertensión, ASI, UHR. Aplicado a pacientes con lesión crítica, el AUC fue 0.783 (IC 95% 0.637-0.930), beneficiando al 73% de pacientes con estenosis severa real. Conclusión: dirigido hacia el valor clínico, el modelo diagnóstico combinado desarrollado mostró buen desempeño y puede respaldar el diagnóstico y la toma de decisiones clínicas en pacientes CKM.

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