摘要目的 本研究旨在探讨数字面舌望诊技术对冠心病患者冠状动脉阻塞程度的辅助评估价值,并探索数字舌象特征与心肌生物标志物之间的潜在关联.方法 采用 TFDA-1面舌采集设备和 TDAS分析系统对2023 年 10 月 2日至 2024年 7月 31 日在上海市宝山区中西医结合医院心血管内科就诊的冠心病患者进行智能化面舌望诊和分析.通过主成分分析和多重共线性分析筛选变量以构建随机森林、轻量级梯度提升机、决策树和朴素贝叶斯四种机器学习模型来预测冠状动脉阻塞程度,评估包括敏感性、特异性、精确度、F1分数、准确度和受试者工作特征(ROC)曲线下面积(AUC)在内的模型性能指标,通过夏普利加性解释(SHAP)和决策曲线进行可视化分析.针对经皮冠状动脉介入治疗(PCI)术后患者,利用偏最小二乘结构方程模型(PLS-SEM)构建心肌标志物与舌象的概念关系模型并验证其有效性.结果 研究共纳入 459 例冠心病患者并将其划分为 PCI组和非 PCI组(非 PCI组包含轻度阻塞及以下、中度阻塞及以上 2个亚组).在舌下络脉(SV)特征上,PCI组的 SV-a和 SV-b 显著更低(分别为 P<0.01、P<0.05);在舌面特征上,PCI组的舌质(TB)-L、TB-a 和 TB-b 显著更高(分别为 P<0.05、P<0.01、P<0.001),舌苔(TC)-a和 TC-b 也显著更高(分别为 P<0.01、P<0.001).将变量年龄、SV-a、SV-b、肌酸激酶同工酶 MB型(CK-MB)、CK、TC-a、lip-L、lip-b纳入机器学习模型,性能评估显示,随机森林表现更佳,其 AUC 值达到 0.924,F1 分数 0.839,精确度 0.807,准确度 0.864,敏感性 0.873,特异性 0.839.此外,决策曲线分析表明,LightGBM和随机森林均具有临床实用价值.PLS-SEM模型显示心肌标志物→舌质、心肌标志物→舌苔的路径关系链是成立的(coefficient=-0.238,t=2.239,P=0.025;coefficient=-0.270,t=2.522,P=0.012).结论 本研究构建了无创化冠心病冠状动脉阻塞预警模型,将 PLS-SEM应用于 PCI术后心肌标志物与舌象的关系研究,并验证了关系链的成立.将中医望诊与现代数字技术相结合,可为冠心病风险评估和健康管理提供支持.