一、目的近年来,机器学习(Machine Learning,ML)在系统性红斑狼疮(Systemic Lupus Erythematosus,SLE)识别中的应用价值逐渐受到人们的关注,但目前仍缺乏相关循证医学证据。因此我们开展本次系统评价与meta分析探讨其识别的准确性与应用前景。二、内容及Q-VD-Oph体内实验剂量方法通MK-4827 IC50过检索PubMed、Embase、Cochrane图书馆、Web of Science数据库,并辅以手工检索、文献追溯等途径尽可能全面收集目前临床上进行的机器学习识别SLE及神经精神性狼疮(Neuropsychiatric Systemic Lupus Erythematosus,NPSLE)的相关研究。通过去重、阅读摘要及全文等方式筛选完成后,采用诊断准确性研究质量评估量表(Quality Assessment of Diagnostic Accuracy Studies,QUADAS)-RIPA radio immunoprecipitation assay2对最终纳入文献进行质量评估。提取纳入文献中机器学习的具体模型,汇总数据,以双变量混合效应模型评估SLE、NPSLE各自模型诊断的准确性,绘制汇总受试者工作特征曲线(Summary Receiver Operator Characteristic Curve,SROC),计算曲线下面积(Area Under Curve,AUC),同时绘制似然比森林图、验前及验后概率图,进行发表偏倚、异质性等分析。三、结果共有18篇原始研究纳入本篇meta分析,其中10篇与SLE诊断相关,8篇与NPSLE相关。在SLE相关的机器学习模型中,SROC曲线下的面积为0.95(95%置信区间(Confidence Interval,CI):0.93-0.97),灵敏度为 0.90(95%CI:0.85-0.93),特异度为 0.89(95%CI:0.86-0.92),阳性似然比为 8.4(95%CI:6.2-11.4),阴性似然比为 0.12(95%CI:0.08-0.17),诊断比值比为 73(95%CI:40-134)。在NPSLE相关的模型识别中,SROC曲线下的面积为0.89(95%CI:0.86-0.92),灵敏度为 0.83(95%CI:0.79-0.87),特异度为 0.83(95%CI:0.76-0.88),阳性似然比为 5.0(95%CI:3.4-7.3),阴性似然比为 0.20(95%CI:0.15-0.27),诊断比值比为25(95%CI:13-47)。四、结论模型汇总后展现出了较为理想的特异度及灵敏度,这些数据强有力的证明了机器学习在识别SLE和NPSLE中优异的性能。基于模型中指标收集的便捷性及涉及检查的微创性,机器学习有望在临床中广泛应用,辅助临床医生进行决策,早期识别并治疗SLE、NPSLE,帮助患者更及时且长远的获益。