构建并验证系统性红斑狼疮（SLE）患者随访期间达到低疾病活动状态（LLDAS）的临床预测模型，并比较传统Logistic回归与机器学习模型的预测效能。

纳入全国11家三级医院真实世界SLE队列中完成基线评估及T1结局判定的患者1395例，以入组后9±6个月是否达到LLDAS为结局。收集基线人口学、病程、临床受累、实验室及治疗信息。采用多重插补处理缺失数据，基于AIC的双向逐步Logistic回归筛选变量并建立主模型，绘制列线图。采用Bootstrap进行内部验证，并在独立第2中心进行外部验证，评价模型区分度、校准度和临床净获益。进一步构建AdaBoost、GBM、随机森林和CatBoost模型进行比较，并结合SHAP分析变量重要性。

最终纳入主模型的变量为SLE病程、基线SLEDAI评分、基线泼尼松剂量>7.5 mg/d、基线合并感染和性别。多因素分析显示，病程延长、基线SLEDAI评分升高及基线泼尼松剂量>7.5 mg/d均与LLDAS达成概率降低相关，OR（95%CI）分别为0.977（0.959~0.995）、0.973（0.953~0.993）和0.241（0.175~0.333）。主模型训练集AUC为0.677（95%CI：0.643~0.710），MAE为0.006；外部测试集AUC为0.807，MAE为0.021。决策曲线显示模型在较宽阈值范围内具有临床净获益。机器学习比较显示，传统Logistic模型AUC最高（0.807），略优于CatBoost（0.801）、GBM（0.800）、随机森林（0.796）和AdaBoost（0.794）；PR-AUC亦以传统Logistic模型最高（0.681）。SHAP分析提示，基线泼尼松剂量>7.5 mg/d、基线SLEDAI评分、基线HCQ使用、基线感染及病程为重要预测特征。

本研究基于多中心真实世界队列构建了SLE患者LLDAS预测模型，并在外部验证中显示出较好的区分度、校准度和潜在临床应用价值。较长病程、较高基线疾病活动度及较高基线糖皮质激素剂量是LLDAS达成的不利预测因素。在本研究场景下，机器学习模型未显示出较传统Logistic回归更优的预测增益。