系统性红斑狼疮（SLE）是一种慢性炎症性自身免疫疾病，常伴随血细胞异常，如白细胞减少和贫血。然而，现有的评估SLE病情活动性的生物标志物在预测疾病活动性方面仍有提升空间。目前，最常用的SLE病情活动性评估工具是系统性红斑狼疮病情活动指数（SLEDAI-2K），但其评估复杂且主观。为了开发一种简便且有效的病情活动性评估工具，本研究旨在分析SLE患者的血细胞参数，并结合淋巴细胞体积标准差（SD-V-LY）、红细胞计数（RBC）和淋巴细胞百分比（LY%），以建立SLE病情活动性预测模型，从而帮助临床医生更准确地评估病情活动性。

本研究为回顾性队列研究，收集了138例在医院住院的SLE患者的临床数据，并根据SLEDAI-2K将其分为高、中、低、轻度活动性四组。研究同时纳入了100名健康对照组。分析了血细胞参数与SLE病情活动性之间的关联，重点考察了SD-V-LY、RBC和LY%与疾病活动性和器官损伤的关系。为评估预测模型的性能，研究采用机器学习算法，将26项血细胞参数作为独立变量，通过特征选择确定关键变量。随后使用逻辑回归模型（LG）来构建预测SLE病情活动性的模型，并进行外部验证。此外，使用斯皮尔曼相关分析探索SD-V-LY、RBC和LY%与其他SLE病理指标的相关性，以验证模型的有效性和稳定性。

研究共纳入138例SLE患者，其中女性122例，男性16例，平均年龄37.1岁。SD-V-LY、RBC和LY%在SLE患者和健康对照组间存在显著差异（p<0.001）。住院SLE患者的SD-V-LY在出院时显著降低，表明治疗对控制病情有效。高活动性组患者的SD-V-LY值显著高于低活动性组（16.6 vs. 14.2, p<0.05），而RBC计数显著低于低活动性组（3.2 vs. 3.9，p<0.001），LY%同样在高活动性组中显著低于低活动性组（20.2% vs. 33.5%，p<0.05）。此外，SD-V-LY与红细胞沉降率（ESR，r=0.277, p<0.001）、免疫球蛋白G（IgG，r=0.509, p<0.001）呈正相关，而与补体C3（r=-0.412, p<0.001）和补体C4（r=-0.393, p<0.001）呈负相关。机器学习构建的预测模型中，SD-V-LY、RBC和LY%作为关键变量，表现出良好的预测效果（AUC=0.908，敏感性=0.811，外部验证AUC=0.940，敏感性=0.833）。RBC与肾脏（OR=2.875，p=0.001）及血液系统（OR=4.879，p<0.001）损伤显著相关，而LY%与关节/肌肉受累显著相关（OR=1.038，p=0.034）。

结合SD-V-LY、RBC计数和LY%的四种机器学习模型的预测性能

本研究表明，SD-V-LY、RBC和LY%与SLE病情活动性密切相关，特别是SD-V-LY在反映疾病活动性方面表现出较高的敏感性。基于这三项血细胞参数构建的预测模型为评估SLE病情活动性提供了一种简便有效的工具，具有较高的预测准确性。该模型可以在基层医疗机构推广应用，有助于早期识别病情活动性较高的SLE患者，改善临床决策。未来的研究应进一步验证模型在多中心和门诊患者中的适用性，并结合更多生物标志物以提高其预测精度。

原始出处：

Evaluation of disease activity in systemic lupus erythematosus using standard deviation of lymphocyte volume combined with red blood cell count and lymphocyte percentage. Sci Rep. 2024 Sep 28;14(1):22470. doi: 10.1038/s41598-024-72977-w. PMID: 39341869; PMCID: PMC11439007.

Tags： Sci Rep：淋巴细胞体积标准差联合红细胞计数和淋巴细胞百分比评估系统性红斑狼疮病情活动性的预测性能如何？