基于舌象特征与心肌损伤标志物融合的机器学习模型预测冠心病患者主要不良心血管事件

这篇研究通过整合冠心病（CHD）患者的舌象参数（RGB/HSV模型）和心肌损伤标志物（LDH/MYO等），构建了XGBoost和LightGBM等机器学习模型（AUC>0.97），揭示了TC_ROOT_R、NT-proBNP等关键预测因子，为中西医结合个体化二级预防提供了新工具。

　　

舌象与心肌损伤标志物的协同预测价值

研究团队从上海中医药大学附属岳阳医院等中心纳入1293例冠心病患者，发现MACE组（21.6%）的舌根红色通道值（TC_ROOT_R）和舌中部饱和度（TC_MID_S）等参数显著差异（P<0.05）。通过SMOTE样本平衡后，雷达图显示MACE患者舌色偏青紫、舌苔剥落（PEELEDCOATING_VAL）特征突出，印证中医"舌为心之苗"理论——舌根反映肾阳亏虚，舌尖青紫提示心脉瘀阻。

关键生物标志物的临床意义

LASSO回归筛选出Gensini评分、AST、LDH和NT-proBNP为核心预测因子。其中：

• NT-proBNP：死亡组水平显著高于心梗/脑卒中组（P<0.01），其>3倍升高提示PCI术后MACE风险激增

• LDH：脑卒中组浓度达204U/L阈值时，预测准确性提升（与AST联用AUC提高12%）

• AST/ALT比值：不稳定心绞痛患者中，1.29为MACCE风险分界点

机器学习模型的卓越性能

五类算法比较显示：

1. XGBoost模型验证集AUC达0.97，SHAP值解析发现高Gensini评分+低TC_ROOT_R组合贡献度最高

2. LightGBM模型对舌苔剥落特征的敏感性达89%

3. 亚组分析中，模型对112例主要终点事件（心源性死亡/心梗/脑卒中）的预测存在过拟合（AUC=1），需扩大样本验证

中医舌诊的现代科学诠释

剥落苔（PEELEDCOATING_VAL）与胃气衰败的病机相关，而舌中部蓝色通道值（CC_MID_B）升高对应现代医学微循环障碍。该研究首次将HSV色彩空间的舌苔饱和度参数与传统"瘀苔"诊断关联，为"司外揣内"理论提供量化依据。

临床应用与展望

该模型已部署于SMX System 2.0舌象分析系统，未来可拓展至：

• 心衰患者1年内MACE预警（联合BNP动态监测）

• 急性主动脉夹层分层管理（LDH>204U/L高风险组）

• 中西医结合疗效评估（舌色RGB值变化反映血瘀改善程度）

局限性在于回顾性研究的固有偏倚，下一步拟开展多中心前瞻性试验验证模型泛化能力。