系统性硬化症（systemic sclerosis, SSc）胃肠道受累普遍且严重影响生活质量，但目前缺乏有效的早期预警工具。本研究旨在探索多模态外周血管病变指标对系统性胃肠道进展的纵向预测价值，并构建前瞻性风险分层模型。

本项前瞻性队列研究连续纳入基线无或仅有轻中度胃肠道症状〔加利福尼亚大学洛杉矶分校硬皮病临床试验联盟胃肠道2.0量表（University of California, Los Angeles Scleroderma Clinical Trials Consortium Gastrointestinal Scale 2.0, UCLA GIT 2.0）总分＜1.0分〕的SSc患者。基线期系统采集患者的临床特征及多模态外周血管参数（涵盖甲襞毛细血管镜、激光散斑对比成像与高频超声）。主要终点定义为12个月随访期内UCLA GIT 2.0总分较基线绝对增加≥0.5分。全队列按7:3比例随机划分为训练集与内部验证集。为确保模型选择的合理性与稳健性，采用最小绝对收缩与选择算子LASSO回归筛选核心预测变量，并同步构建随机森林、弹性网络及梯度提升机等多种机器学习模型进行性能对比；最终以Cox比例风险模型作为主要预测模型，通过一致性指数（concordance index, C-index）、校准曲线及决策曲线分析全面评估模型效能。

最终纳入180例SSc患者，随访期间共有38例（21.1%）发生有临床意义的胃肠道进展。通过LASSO-Cox回归，筛选出4个关键预测因子：mRSS升高（独立危险因素）、激光散斑再灌注量（Ischemia Reperfusion Perfusion Unit, IRPU）降低（独立保护因素的削弱）、高频超声右侧指尖皮肤增厚以及甲襞毛细血管镜袢周积分升高。多模型对比分析进一步验证核心预测因子的可靠性，其中LASSO-Cox模型在预测精度与临床可解释性上表现最佳。基于上述变量构建的列线图模型在训练集中展现出优异的区分度（C-index＝0.795）与良好的校准度。决策曲线证实该模型可提供显著的临床净获益。在独立的验证集中，该模型依然保持稳健的判别力（C-index＝0.794）与预测一致性，验证了其优良的泛化能力。

本研究成功开发并验证了一个外周血管病变指标的系统性硬化症胃肠道进展预测模型。利用相对易获取的客观指标，实现对短期胃肠道恶化的有效风险分层。这为临床早期识别高风险患者、实施个体化监测与干预提供了强有力的决策支持工具。