基于机器学习的系统性红斑狼疮公平性预测模型FLAME：整合临床与社会健康决定因素的多中心研究

本研究针对系统性红斑狼疮（SLE）患者疾病活动度预测的临床挑战，开发了名为FLAME的机器学习预测模型。研究人员整合电子健康记录（EHR）和675项社会健康决定因素（SDoH），通过XGBoost算法实现3个月发作风险的公平预测（AUROC=0.66）。该模型首次证实头痛、器质性脑综合征和脓尿是关键预测因子，并通过因果学习揭示社会因素与临床指标的交互作用，为消除健康差异提供了可解释的AI工具。

　　

系统性红斑狼疮（SLE）作为一种慢性自身免疫性疾病，长期困扰着全球患者群体，尤其对女性和少数族裔造成不成比例的疾病负担。这种以免疫系统攻击自身组织为特征的疾病，常伴随不可预测的病情恶化（称为"发作"），给临床管理带来巨大挑战。更令人担忧的是，现有研究表明非西班牙裔黑人患者的发病率是白人群体的4倍，而传统预测模型往往忽视社会因素对疾病的影响，可能加剧医疗不平等。在这个背景下，准确预测发作风险成为改善患者预后的关键突破口。

来自佛罗里达大学健康结果与生物医学信息学系（Department of Health Outcomes and Biomedical Informatics, University of Florida）的Yongqiu Li和Lixia Yao领衔的研究团队，联合宾夕法尼亚大学、亚利桑那大学等8所机构，开展了一项突破性研究。他们开发了名为FLAME（FLAre Machine learning prediction of SLE）的机器学习管道，通过整合28433例患者的电子健康记录和675项社区级社会健康决定因素（SDoH），建立了首个兼顾预测性能与公平性的发作风险模型。这项开创性工作发表在医学信息学领域权威期刊《JAMIA Open》上。

研究团队采用多学科交叉方法，核心技术创新体现在三个层面：首先，利用UF Health系统2011-2022年的临床数据构建回顾性队列，通过SLEDAI-2K评分（Systemic Lupus Erythematosus Disease Activity Index 2000）量化发作事件（定义为评分较基线增加≥4分）；其次，采用XGBoost和逻辑回归算法，结合网格搜索交叉验证优化参数，并应用SHAP（SHapley Additive exPlanations）和MGM-PC-Stable因果学习技术解析预测机制；最后，引入机会平等指标（equality of opportunity）评估模型在不同种族/族裔群体中的公平性。

描述性统计与队列特征
研究纳入的28433例SLE患者平均诊断年龄46.3岁，女性占89.38%，体现疾病性别分布特征。基线SLEDAI-2K评分平均1.14±2.77，3个月随访期间18.42%患者出现发作。种族分析显示非西班牙裔白人（NHW）占39.1%，非西班牙裔黑人（NHB）26.29%，西班牙裔26.36%，各组间临床特征存在显著差异（P<0.001）。头痛（19.8%）、皮疹（17.47%）和脓尿（13.69%）是最常见的临床表现。

FLAME预测模型性能

可解释AI与因果发现

时间动态与公平性验证
图4的桑基图显示头痛和器质性脑综合征在发作前3-6个月持续上升。公平性评估中，非西班牙裔黑人与白人间的假阴性率比（FNR）为0.91，西班牙裔与白人间为1.04，均落在公平区间（0.8-1.25）内，证明模型无显著种族偏差。

这项研究通过创新性地整合多维度数据，建立了首个经公平性验证的SLE发作预测系统。FLAME模型不仅证实头痛等临床症状的预测价值，更揭示社会因素通过复杂网络影响疾病活动的机制。其临床意义体现在三方面：首先，风险分层能力使33%的高危患者在发作前被识别；其次，因果推理框架为针对性干预提供新靶点；最后，公平性设计确保技术红利惠及所有人群。尽管存在依赖诊断代码和缺乏个体级SDoH等局限，这项研究为自身免疫病的精准管理树立了新范式，其方法论对慢性病预测领域具有广泛借鉴价值。