免疫表型分析和基于机器学习的分层研究揭示了贝赫切特病中的预后免疫特征

《Rheumatology》：Immunophenotyping and machine learning-based stratification reveal prognostic immune signatures in Beh?et’s disease

本研究通过流式细胞术分析71例初治贝达分离综合征（BD）患者和71例健康对照者外周血11种免疫细胞亚群，结合XGBoost、PLS-DA和k-means聚类算法，揭示BD患者以T细胞优势的免疫失调特征，并识别出高风险复发亚群（CD8+DR+ T细胞比例升高、hsCRP水平增高），证实这些指标是独立预后预测因子，加权组合模型AUC达0.815。

　　

摘要

目的

本研究旨在表征 Behcet 病（BD）患者的外周血淋巴细胞亚群，对患者进行分层，并识别预后生物标志物。

方法

使用流式细胞术对 11 种免疫细胞亚群进行了免疫表型分析，样本来自未经治疗的 BD 患者（n = 71）以及年龄和性别匹配的健康对照组（HCs，n = 71）。采用 XGBoost、PLS-DA 和 k-means 聚类方法分析免疫特征，并根据患者的免疫亚型和临床参数对其进行分层。Kaplan-Meier 分析和对数秩检验用于比较不同 BD 患者亚群的无复发生存情况。Cox 回归分析用于评估复发的临床和免疫学预测因素。

结果

与健康对照组相比，BD 患者的免疫系统存在 T 细胞主导的失调。通过整合免疫表型和临床参数的机器学习方法，发现了两个 BD 患者亚群。第 2 组患者表现出 T 细胞过度激活（记忆 CD4⁺ T 细胞、CD8⁺DR⁺ T 细胞和 CD8⁺CD38⁺ T 细胞数量增加），炎症标志物（hsCRP、ESR、NLR 和 PLR）水平升高，疾病严重程度评分更高，复发风险也更高。多变量 Cox 回归分析显示，高水平的 hsCRP 和 CD8⁺DR⁺ T 细胞比例是复发的独立预测因素。CD8⁺DR⁺ T 细胞比例、hsCRP 和疾病严重程度评分的组合在复发预测方面表现出更好的性能（AUC = 0.815）。

结论

本研究提供了未经治疗的 BD 患者的全面免疫表型特征。通过整合淋巴细胞亚群和临床参数的机器学习方法，能够在早期识别出高复发风险的亚群，为个性化治疗策略提供了依据。