Lupus Sci Med：基于传统回归与机器学习模型预测系统性红斑狼疮患者死亡风险

系统性红斑狼疮（SLE）是一种影响女性的慢性自身免疫性疾病，死亡率较高且其长期预后较难预测。尽管系统治疗（如糖皮质激素和免疫抑制剂）改善了许多患者的预后，但不同患者的治疗效果差异较大。尤其是部分SLE患者病情较重，可能需要重症监护治疗，并面临较高的死亡风险。因此，开发有效的死亡风险预测模型对于提高SLE患者的预后和临床决策具有重要意义。本研究旨在构建和验证传统回归模型和机器学习模型，以预测SLE患者的死亡风险，并评估其临床应用价值。

本研究为回顾性观察研究，使用了来自MIMIC-IV数据库的数据，该数据库收录了大量住院病患的医疗记录。研究对象为首次住院的SLE患者，排除住院时间不足24小时或缺乏随访数据的患者。最终纳入395名SLE患者，外部验证集来自福建省医院的100名重症SLE患者。研究通过最小绝对收缩和选择算子（LASSO）回归法进行变量筛选，并基于此构建了传统回归模型（Nomogram）和机器学习模型（堆叠集成模型）。使用接收者操作特征曲线（AUC）和校准曲线评估模型的预测能力。数据收集涵盖患者的基本信息、共病情况、实验室指标、生命体征以及入院时的病情评分等多项变量。

共纳入395名MIMIC-IV数据库的SLE患者和100名福建省医院的重症SLE患者。LASSO回归法筛选出18个显著变量。传统回归模型和机器学习模型的AUC均超过0.8，表明两种模型具有良好的区分能力。机器学习模型在精度和特异性方面优于传统回归模型，展现了其在死亡风险预测中的潜在优势。通过SHapley加法解释（SHAP）分析，发现尿量、年龄、体重和丙氨酸氨基转移酶等因素对模型预测的贡献最大，进一步揭示了这些变量对死亡风险预测的重要性。该研究表明，机器学习模型在SLE患者死亡风险预测中具有较好的应用潜力，且能够为临床决策提供更为精准的依据。

SLE早期识别模型的SHAP分析图

本研究构建并验证了基于传统回归和机器学习的死亡风险预测模型，发现机器学习模型在预测精度和特异性方面优于传统回归模型。研究结果为SLE患者的临床管理提供了有效的预测工具，特别是在死亡风险评估方面，能够帮助临床医生更早识别高风险患者，从而优化治疗方案，提高患者的预后。

原始出处：

Chen Z, Dai Y, Chen Y, Chen H, Wu H, Zhang L. Prediction of mortality risk in critically ill patients with systemic lupus erythematosus: a machine learning approach using the MIMIC-IV database. Lupus Sci Med. 2025 Feb 13;12(1):e001397. doi: 10.1136/lupus-2024-001397. PMID: 39947742; PMCID: PMC11831314.