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.