基于3种机器学习方法的神经精神性狼疮影响因素的研究

摘要

目的 使用LASSO、XGBoost和RF这3种机器学习方法联合多因素Logistic回归方法探索神经精神性狼疮（NPSLE）的影响因素。方法 收集2021年1月至2024年6月于山西医科大学第二医院风湿免疫科住院的401例系统性红斑狼疮（SLE）患者的病例资料，根据是否诊断为NPSLE将患者划分为N-NPSLE组（未发生NPSLE）和NPSLE组（发生NPSLE），其余变量作为解释变量。采用LASSO、XGBoost及RF方法进行特征变量筛选，对交集变量进行共线性检验，并进行多因素Logistic回归分析。结果 LASSO筛选出18个特征变量，XGBoost筛选出21个变量，RF筛选出20个变量。3种方法筛选出8个共同变量：年龄、头痛、免疫球蛋白IgA、补体C3、活化部分凝血活酶时间（APTT）、抗Rib-P抗体、可溶性白细胞介素-2受体（sIL-2R）、系统性红斑狼疮疾病活动指数（SLEDAI-2k）评分。共线性检验方差膨胀因子（VIF）值显示各变量间不存在多重共线性，多因素Logistic回归结果显示SLE患者中年龄（OR=0.936,95%CI 0.904～0.969）是发生NPSLE的保护因素，头痛（OR=47.153,95%CI13.065～170.214）、抗Rib-P抗体阳性（OR=1.082,95%CI 1.036～1.129）和SLEDAI-2k高评分（OR=5.176,95%CI 3.210～8.347）是危险因素。结论 年龄是NPSLE发生的保护因素，头痛、抗Rib-P抗体阳性、SLEDAI-2k高评分为NPSLE发生的危险因素。

关键词

系统性红斑狼疮 / 机器学习方法 / 神经精神性狼疮 / 特征变量筛选 / Logistic回归 / 影响因素