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^[1]在Ann Rheum Dis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）作为发现队列。另外连续纳入512例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ACR 1997、系统性红斑狼疮国际协作组（Systemic Lupus International Collaborating Clinics，SLICC） 2012、EULAR/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（Random Forests）算法和LASSO（LeastAbsolute Shrinkage and Selection Operator）后接逻辑回归（Logistic Regression，LR） 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）。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SLERPI，SLE risk probability index）。见表1。

点击查看表格

表1

简易SLERPI评分

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<4.0×109/L（至少1次）	1.5
免疫性血小板减少或自身免疫性溶血性贫血	4.5
神经异常	1.5
蛋白尿定量（24 h）>0.5 g	4.5
抗核抗体阳性	3
补体3或补体4减低	2
免疫学异常（任何一种自身抗体阳性：抗双链DNA抗体、抗Sm抗体、抗磷脂抗体a）	2.5
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β₂糖蛋白Ⅰ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%。SLERPI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（ACR 1997及之后补充抗β₂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（P<0.001）和器官损伤（P=0.002）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（R²=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。