基于机器学习的狼疮肾炎患者肾小球微血栓形成诊断模型的建立

摘要：

目的:通过临床指标建立LN肾小球微血栓（GMT）形成的诊断模型。方法:连续收集2010年1月至2021年3月在深圳市第二人民医院肾内科行肾脏穿刺活检诊断为LN患者。根据纳排标准对患者进行纳排。收集人口学资料、临床特点、生化指标及免疫指标。通过机器学习和Logistic逐步回归分析从上述候选指标中筛选出最重要变量，建立GMT联合诊断模型，并通过列线图呈现模型。受试者工作特征（ROC）曲线下的面积（
AUC）、临床决策曲线和校准曲线分别用于评估模型区分度、临床使用价值和模型准确性。通过Bootstrap法重复采样500次对模型进行内部验证。
结果:符合纳排标准的共129例LN患者，女性117例（90.7%）；平均年龄（34±11）岁。GMT患者39例（30.2%）。通过机器学习从47个备选变量筛选出重要性排在前10位的变量，然后通过Logistic逐步回归分析进一步筛选出5个变量用于建立GMT的诊断模型，分别为血红蛋白[
OR（95%
CI）=0.966（0.943，0.990），
P=0.005]、血清补体C3[
OR（95%
CI）=0.133 （0.022，0.819），
P=0.030]、收缩压[
OR（95%
CI）=1.027（1.005，1.049），
P=0.017]、淋巴细胞计数[
OR（95%
CI）=0.462（0.213，0.999），
P=0.049]和凝血酶时间[
OR（95%
CI）=1.260（0.993，1.597），
P=0.057]。得出LN患者GMT形成诊断模型的方程并建立列线图呈现模型。诊断模型[AUC（95%
CI）=0.823（0.753，0.893）]，说明模型具有较好的区分度。校准曲线分析结果提示模型预测GMT的风险与GMT实际发生风险相一致（Hosmer-Lemeshow检验，
χ2=14.62，
P=0.067）。临床决策曲线和临床影响曲线反映模型具有较好的临床应用价值，尤其阈值概率在0.4~0.6临床应用价值更为显著。此外，经过Bootstrap法重复采样500次后，得出平均AUC（95%
CI）=0.825（0.753，0.893），与原模型得出的AUC基本一致。
结论:基于临床指标通过机器学习和logistic逐步回归分析的方法建立了LN患者GMT形成的诊断模型。用于肾脏穿刺之前早期诊断GMT形成的风险。

关键词：狼疮肾炎、肾小球、血栓形成、机器学习、Logistic逐步回归

所属期刊栏目：26

资助基金：国家自然科学基金81900639;广东省深圳市科技创新委员会自然基金JCYJ20190-80616-2807125;广东省深圳市医学重点学科建设项目SZXK009;National Natural Science Foundation of China81900639;Shenzhen Science and Innovation Commission Natural FundJCYJ20190806162807125;Shenzhen Medical Key Discipline Construction ProjectSZXK009

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：721-729,C11-1