系统性红斑狼损伤风险指数 (SLE-DRI):一种基于机器学习的简单工具,用于识别患有早期器官损伤风险的患者
Panagiotis Garantziotis1,2, Dionysis Nikolopoulos3, Spyridon Katechis4
1Deutsches Zentrum für Immuntherapie (DZI), Friedrich-Alexander-University Erlangen-Nürnberg and Universitätsklinikum Erlangen, Erlangen, Germany.
RMD open
|October 1, 2025
概括
一个新的机器学习模型有效地预测系统性红斑狼 (SLE) 患者的早期器官损伤. 这种工具有助于风险分层,以获得更好的患者结果.
科学领域:
- 风湿病学和免疫学
- 医疗信息学和机器学习
- 临床预测建模临床预测建模
背景情况:
- 器官损伤显著影响系统性红斑狼 (SLE) 的预后和死亡率.
- 目前用于预测SLE相关器官损伤积累的临床工具缺乏验证.
- 早期识别有器官损伤风险的患者对于及时干预至关重要.
研究的目的:
- 开发和验证基于机器学习的模型,用于预测SLE患者早期器官损伤.
- 确定与早期器官损伤相关的关键临床和非标准特征.
- 将开发模型的预测性能与现有的分类系统进行比较.
主要方法:
- 使用分类标准 (ACR-1997,SLICC-2012,EULAR/ACR-2019) 和非标准特征分析了一大群 (n=914) 的SLE患者.
- 在5年内开发一个最小绝对收缩和选择操作员-逻辑回归 (LASSO-LR) 模型来预测器官损伤 (SLICC/ACR损伤指数 (SDI)).
- 在独立的外部队列 (n=50) 中使用十倍交叉验证验证模型的验证.
主要成果:
- 拉索-LR模型表现出强大的预测性能,AUC为0.80 (衍生) 和0.86 (验证),表现优于ACR-1997,SLICC-2012和EULAR/ACR-2019标准.
- 关键预测因素包括SLICC-2012神经障碍,EULAR/ACR-2019类III/IV狼性炎,心肌炎和间歇性肺病.
- 该模型实现了高特异性 (0.90),并且可以简化为一个分数系统,在≥3.3的值下,AUC为0.86.
结论:
- 一个经过验证的,临床医生友好的机器学习模型已经开发出来,用于预测SLE早期器官损伤.
- 这种模式促进了有效的风险分层,可能改善患者管理和结果.
- 该模型的性能在预测早期SLE相关器官损伤方面超过了现有的分类系统.
