系统性红斑狼疮（systemic lupus erythematosus，SLE）是一种影响多系统的自身免疫性疾病，主要特征包括针对核抗原的自身抗体产生、免疫复合物的沉积以及皮肤、关节和肾脏等靶器官的慢性炎症。大多数SLE患者早期会出现疲劳、肌肉骨骼或黏膜皮肤症状^[1]，但这些症状在类风湿关节炎（rheumatoid arthritis，RA）^[2]、干燥综合征（Sjögren’s syndrome，SS）^[3]、混合性结缔组织病（mixed connective tissue disease，MCTD）^[4]等其他自身免疫性疾病中也较常见，使得SLE的鉴别诊断具有一定的复杂性。因此，探究血液标志物在SLE与其他自身免疫性疾病的鉴别诊断中的临床应用价值很有必要。

自身抗体谱的检测有助于SLE的鉴别诊断^{[1, 5]}，但由于其复杂性和特殊性，在实现检测的标准化时仍面临诸多挑战^[6]。为了探究临床常规检验指标在SLE和其他自身免疫性疾病鉴别诊断中的有效性，本研究采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）-logistic回归分析方法，筛选与SLE发生密切相关的临床常规定量检测指标，构建鉴别诊断模型和列线图，并对其在SLE鉴别诊断中的临床应用价值进行了初步评估。

1   资料和方法

1.1   研究对象

回顾性分析2022年4月至2023年3月在四川省人民医院确诊的178例SLE患者（SLE组）资料，其中男9例、女169例，年龄（37.76±12.92）岁。纳入标准：（1）符合1997年美国风湿病协会^[7]和/或2012年SLE国际临床协作组分类标准^[8]和/或2019年欧洲抗风湿病联盟与美国风湿病学会分类标准^[9-10]；（2）临床资料完整；（3）年龄18岁及以上。选取同期其他自身免疫性疾病患者196例为对照组，其中男10例、女186例，年龄（38.91±14.00）岁。纳入标准：（1）符合相关自身免疫性疾病的诊断标准；（2）临床资料完整；（3）年龄18岁及以上。其中RA患者35例，男3例、女32例，年龄（39.6±16.1）岁，符合美国风湿病学会和欧洲抗风湿病联盟2010年RA分类诊断标准^[11]；SS患者30例，男2例、女28例，年龄（48.8±14.6）岁，诊断符合2016年美国风湿病学会/欧洲抗风湿病联盟原发性SS分类标准^[12]；抗磷脂综合征40例，男1例、女39例，年龄（30.9±4.5）岁，诊断符合2006年悉尼修订的分类标准^[13]；MCTD 91例，男4例、女87例，年龄（38.9±13.7）岁，诊断符合Alarcón-Segovia等^[14]及Kahn等^[15]的MCTD分类标准。排除标准：（1）诊断为非自身免疫性疾病，如恶性肿瘤、糖尿病、肝肾功能障碍、心脏病等；（2）临床资料不全；（3）近期发生感染；（4）有可能对血液标志物产生显著影响的用药史。本研究经四川省人民医院伦理委员会批准[伦审（研）2024年第581号]。

1.2   研究方法

患者入院当日采集血液标本进行检测。采用SMART6500全自动磁微粒化学发光仪（重庆科斯迈生物科技有限公司）检测抗心磷脂抗体IgG、抗心磷脂抗体IgM、抗心磷脂抗体IgA；IgG、IgA、IgM、补体3（complement 3，C3）、补体4（complement 4，C4）、超敏C反应蛋白（high-sensitivity C reactive protein，hs-CRP）采用SIEMENS BNⅡ全自动特定蛋白散射比浊仪（美国德灵诊断公司）进行检测；狼疮抗凝物比率采用全自动凝血分析仪CN-6500（日本希森美康株式会社）进行检测，狼疮抗凝物比率＝LA1筛选试剂检测值/LA2确诊试剂检测值；凝血酶原时间（prothrombin time，PT）、活化部分凝血活酶时间（activated partial thromboplastin time，APTT）、血浆纤维蛋白原（fibrinogen，FIB）、凝血酶时间（thrombin time，TT）、D-二聚体采用CS-5100全自动凝血分析仪（日本希森美康株式会社）进行检测；红细胞沉降率采用Micro TEST1 THL全自动血沉仪（意大利ALIFAX公司）进行检测；白细胞计数、红细胞计数和血小板计数采用BC-6800 Plus全自动血细胞分析仪（深圳迈瑞生物医疗有限公司）进行检测。所有试剂均为配套原装试剂，操作严格按照实验室标准操作规程进行。

1.3   统计学处理

采用SPSS 17.0和R 4.3.0软件进行统计学分析。符合正态分布的计量资料采用x±s表示，两组间比较采用t检验；偏态分布的计量资料采用M（Q₁，Q₃）表示，组间比较采用Mann-Whitney U检验。计数资料以例数和百分数表示，组间比较采用χ2检验。所有预筛选的变量进行归一化处理后采用LASSO回归筛选预测因子，以Lambda.1se作为筛选变量的界定标准。采用多因素logistic回归分析构建鉴别诊断模型，并采用十折交叉验证法进行内部验证，构建列线图以及ROC曲线，计算AUC值以评估模型的诊断效能，使用决策曲线分析评估列线图在临床应用中的价值。检验水准（α）为0.05。

2   结果

2.1   临床资料比较

SLE组与对照组患者的性别和年龄差异无统计学意义（均P＞0.05），具有可比性；SLE组抗心磷脂抗体IgG、抗心磷脂抗体IgA、hs-CRP、D-二聚体水平及TT高于对照组，IgM、C3、C4水平及PT、APTT低于对照组，差异均有统计学意义（均P＜0.05），见表 1。

2.2   LASSO回归筛选结果

LASSO筛选最佳调整参数λ的过程见图 1，图 1A最上方是对应λ筛选出的变量个数，两条虚线分别是lambda.min（误差最小时的λ值）和lambda.1se（在lambda.min一个方差范围内得到最精简模型的λ值）。为了避免拟合过度及寻找最佳惩罚系数，以lambda.1se作为筛选变量的界定标准，从表 1中10个差异有统计学意义的检验指标中筛选出3个最可能的具有非零系数的指标。图 1B是利用LASSO得出的系数解路径图，图中的每条线代表 1个变量。不同的lgλ值筛选出变量的数量也不同，系数非零的变量即是LASSO回归筛选的变量。由图 1B可知，只有3个可能对SLE影响最显著的变量留在模型中，分别为IgM、C3、C4。

图  1  LASSO回归进行特征筛选

Fig.  1  LASSO regression for feature selection

A: Selection of the indicators by LASSO regression at the optimal parameter (λ); B: Dynamic process diagram of variable selection. The colored lines represent the influence of λ value in the model on the weight coefficients of different indicators. LASSO: Least absolute shrinkage and selection operator.

下载: 全尺寸图片

2.3   构建SLE的鉴别诊断模型并评估

对经LASSO回归分析筛选的特征变量进行多因素logistic回归分析，采用十折交叉验证法将数据集分为两组：训练集336例，其中SLE组159例、对照组177例；验证集38例，其中SLE组19例、对照组19例。根据训练集得出各变量的回归系数（表 2），建立SLE的鉴别诊断模型（Logit P＝4.18－1.34×IgM－1.70×C3－6.61×C4），并构建列线图，每个变量对照评分后获得最终的总评分，通过汇总后的刻度值可以得到最终的预测概率（图 2）。同时绘制校准曲线，经Hosmer-Lemeshow检验P＝0.475，表明校准曲线和理想曲线贴合良好，该模型拟合效果良好（图 3）。

图  2  SLE鉴别诊断的列线图模型

Fig.  2  Nomogram model of SLE differential diagnosis

SLE: Systemic lupus erythematosus; IgM: Immunoglobulin M; C3: Complement 3; C4: Complement 4.

下载: 全尺寸图片

图  3  列线图模型的校准曲线

Fig.  3  Calibration curve of nomogram model

下载: 全尺寸图片

决策曲线分析显示，当模型鉴别诊断SLE的概率阈值为0.2~0.9时，患者的净获益率大于0，模型进行SLE风险评估具有临床应用价值（图 4）。

图  4  SLE鉴别诊断模型的决策曲线分析

Fig.  4  Decision curve analysis of SLE differential diagnosis model

SLE: Systemic lupus erythematosus.

下载: 全尺寸图片

2.4   ROC曲线分析模型的诊断效能

利用ROC曲线分析该模型鉴别诊断SLE的能力，训练集的AUC为0.80（95%CI 0.76~0.85），灵敏度为0.77，特异度为0.74，准确率为0.75，阳性预测值为0.76，阴性预测值为0.74，临界值为0.507；验证集的AUC为0.89（95%CI 0.78~1.00），灵敏度为0.89，特异度为0.79，准确率为0.84，阳性预测值为0.81，阴性预测值为0.88，临界值为0.507。见图 5。

图  5  SLE鉴别诊断模型的ROC曲线

Fig.  5  ROC curve of SLE differential diagnosis model

SLE: Systemic lupus erythematosus; ROC: Receiver operating characteristic; AUC: Area under the curve; 95%CI: 95% confidence interval.

下载: 全尺寸图片

3   讨论

SLE是一种慢性自身免疫性疾病，可引起黏膜皮肤、肌肉骨骼、血液系统和肾脏系统等多个器官系统的炎症和免疫损伤。2019年欧洲风湿病联盟和美国风湿病学会共同发布了SLE的分类标准，其对SLE的诊断灵敏度为96.1%，特异度为93.4%^[16]。然而，这些分类标准涉及的临床症状和实验室指标较多，包括临床因素（如发热、细胞减少、皮疹、关节炎和蛋白尿）以及免疫学指标（如SLE特异性自身抗体和低补体水平等），临床应用较为烦琐。

自身抗体检测面临标准化等挑战，且在SLE诊断和鉴别诊断中的应用价值已有诸多报道^[17-20]，因此本研究未纳入自身抗体，而选取临床应用更广泛的与凝血和炎症相关的19项实验室定量指标进行比较分析，结果发现SLE组抗心磷脂抗体IgG、抗心磷脂抗体IgA、hs-CRP、D-二聚体水平及TT高于对照组（均P＜0.05），IgM、C3、C4水平及PT、APTT低于对照组（均P＜0.05）。

近年来，列线图模型已在临床各领域得到运用，尤其在疾病预测和预后方面应用最广泛，是有效的个体化风险预测工具^[21-22]。本研究通过LASSO回归筛选出3个最可能的具有非零系数的指标为IgM、C3、C4，再经多因素logistic回归构建了一个用于SLE与其他自身免疫性疾病的鉴别诊断模型，并按权重建立了列线图，校准曲线结果表明该模型拟合效果良好，可直接通过疑似自身免疫性疾病患者的实验室检测结果计算出患病风险，较好地实现SLE与其他自身免疫性疾病的鉴别诊断。天然IgM对自身免疫损伤具有保护作用^[23]。SLE患者IgM水平降低，且与特定抗体表达模式相关。亦有研究发现，SLE患者体内产生多种自身抗体介导免疫复合物沉积于肾小球、关节和多种器官小血管壁，激活并消耗C3、C4，引起局部器官的损伤，故补体水平可用于SLE活动度评估、辅助SLE疾病分期等^[24]。凋亡细胞、含DNA和修饰DNA结合蛋白的中性粒细胞胞外陷阱以及免疫复合物可能是SLE补体激活的初始触发因素。补体的减少影响吞噬细胞对免疫复合物和凋亡碎片的反应，增加了树突状细胞、T细胞和B细胞暴露于自身抗原的时间。此外，补体信号转导的障碍可能增强自身免疫性疾病的促炎反应，而不同的自身免疫性疾病具有不同补体级联反应的调节途径^[25]。本研究结果亦表明，尽管在很多免疫相关性疾病中IgM、C3、C4都可能异常，但三者联合的鉴别诊断模型在SLE与其他自身免疫性疾病鉴别诊断中具有重要的临床价值。

值得注意的是，该模型在ROC曲线中表现出良好的诊断效能，训练集的AUC达到0.80（95%CI 0.76~0.85），灵敏度和特异度分别为0.77和0.74；而验证集AUC为0.89（95%CI 0.78~1.00），灵敏度和特异度分别为0.89和0.79，结合临床决策曲线分析结果表明该模型具有较高的临床应用价值。

本研究具有一定的局限性：（1）本研究是单中心的回顾性分析，未来应采用前瞻性、多中心的研究来验证这一结论，并进一步探索不同种族、年龄和性别的SLE患者中模型的适用性。（2）本研究纳入的样本数量有限，而模型的泛化能力需要在更广泛的患者群体中进一步验证。（3）变量选择差异性可能影响研究结果，今后应考虑更多的临床变量和生物标志物，以提高模型的预测准确性和适用性。虽然本研究未纳入自身抗体，但并不表示自身抗体不具有诊断价值。

综上所述，本研究构建的基于IgM、C3、C4的SLE鉴别诊断模型易开展且易实现标准化，为临床医师提供了一个新的、有价值的辅助诊断工具，有助于提高SLE的诊断效率和准确性，亦为常规检验指标临床应用价值的深度挖掘提供了可借鉴的方法。