2022系统性红斑狼疮早期诊断工具：系统性红斑狼疮风险概率指数（全文）.docx

《2022系统性红斑狼疮早期诊断工具：系统性红斑狼疮风险概率指数（全文）.docx》由会员分享，可在线阅读，更多相关《2022系统性红斑狼疮早期诊断工具：系统性红斑狼疮风险概率指数（全文）.docx（4页珍藏版）》请在第壹文秘上搜索。

1、2022系统性红斑狼疮早期诊断工具：系统性红斑狼疮风险概率指数(全文)SLE临床表现复杂,早期诊断困难，影响患者预后。目前SLE诊断仍存在巨大挑战，尤其是病程早期阶段，目前尚缺乏正式的诊断标准。基于机器学习的人工智能工具在医学领域应用越来越广泛，可用于辅助判断疾病的治疗反应、预后，但目前其在疾病诊断方面应用较少。Adamichou等在AnnRheum。发表文章，通过对定义明确的SLE特征，包括不属于分类标准中的特征进行机器学习训练，开发了一个SLE早期诊断模型。作者在伊拉克和雅典2所医院随机选取401例SLE患者及401例需要与SLE鉴别的风湿病患者(对照组X乍为发现队列。另外连续纳入512例

2、SLE和143例对照组作为验证队列，对模型进行外部验证。作者将ACR1997、系统性红斑狼疮国际协作组(SystemicLupusInternationalCollaboratingClinics,SLICC)2012sEULAR/ACR分类标准中的特征与预先定义的”标准外特征”如疲劳、淋巴结肿大、口干眼干等症状相结合，构建10倍交叉验证模型：将发现队列平均分为10组,1/10作为测试数据确定模型性能，9/10用于训练模型。同时,由临床专家选出20个特征。采用随机森林(RandomForests)算法和LASSO(LeastAbsoIuteShrinkageandSelectionOperat

3、or)后接逻辑回归(LogisticRegressionfLR)2种机器学习算法对每个特征进行选择，构建模型。综合评估各模型的灵敏度、特异度、准确度和曲线下面积（AUC）-受试者工作特征曲线（ROC）o在512名SLE和143名对照组组成的验证队列中进行验证，准确度最高模型的为最佳模型，即LASSo-LR模型（又称为SLERPIfSLEriskprobabilityindex）o见表lo表1简易SLERPI评分条目分值盘状红斑或斑丘疹3亚急性皮肤红斑狼疮或盘状红斑狼疮2脱发1.5黏膜溃疡1关节炎2浆膜炎1.5白细胞减少0.5g4.5抗核抗体阳性3补体3或补体4减低2免疫学异常（任何一种自身抗体

4、阳性：抗双链DN2.5A抗体、抗Sm抗体、抗磷脂抗体a）肺间质病变b-1总分7分可诊断系统性红斑狼疮C注：a包括抗02糖蛋白工抗体、免疫球蛋白G、免疫球蛋白M、免疫球蛋白A抗体阳性；b影像学如高分辨CT提示的肺泡、远段支气管或小叶间隔的炎症和纤维化；C当总分7时（最大值30.5）,诊断的灵敏度、特异度和准确率分别为94.2%、94.4%和94.2%oSLERPI评分：系统性红斑狼疮风险概率指数；该评分系统适用于临床怀疑系统性红斑狼疮者，指出现或曾经出现上述异常，并且除外其他原因（如药物、感染、恶性疾病或其他可解释异常的情况）结果显示，最佳LASSO-LR模型包括14个不同权重的特征，其中自身免

5、疫性血小板减少/溶血性贫血、面颊/斑丘疹、低补体血症、蛋白尿、ANA及其他免疫学异常（ACR1997及之后补充抗血糖蛋白抗体）预测SLE能力最强。该模型可以计算个体化的SLE风险概率，与疾病严重程度（0.001）和器官损伤（P=O.002）呈正相关，并允许根据SLE相对于其他诊断的可能性，将验证队列无偏差分类至不同诊断确定性水平（不太可能、可能、比较可能、确定SLE）。以二分类（狼疮/非狼疮）为标准,发现SLE的诊断准确率高（94.8%）,对早期疾病（93.8%）、LN（97.9%）、神经精神性狼疮（91.8%）和需要免疫抑制剂/生物制剂的严重狼疮（96.4%）有较高的灵敏度。为了便于日常临床实践，作者将模型转化为一个简单的评分系统，评分系统所得SLE概率与验证队列中原始LASSO-LR模型所得SLE概率具有高度相关性（岸=0.996）,评分截点为7分时，灵敏度、特异度和准确度分别估计为94.2%、94.4%和94.2%,表明与原始模型的性能相当。SLE临床表现具有明显异质性，不同症状及免疫学特征可逐渐出现，增加了早期识别的难度。SLERPI评分可以帮助临床医生早期识别SLE以及重症狼疮患者，早期干预、早期治疗，改善患者的预后。