《Respiratory Medicine》：Explainable Artificial Intelligence for Predicting Length of Stay and Treatment Response in Pediatric Asthma and Allergic Rhinitis: An Irregular Fuzzy Cellular Automata Approach Across Pre- and During-COVID-19 Periods
编辑推荐：
本研究旨在分析COVID-19期间儿童哮喘及过敏性鼻炎治疗策略的变化，预测住院时长和疗效。通过回顾450例患儿数据（2018-2021），采用可解释的Irregular Fuzzy Cellular Automata（IFCA）模型，结果显示疫情期间抗生素使用减少（38.2% vs 58.7%），糖皮质激素使用增加（72.3% vs 57.2%），IFCA模型准确率达86.2%，AUC-ROC 0.89，优于随机森林和SVM模型。疾病严重程度与治疗类型是主要预测因子，证实IFCA模型在医疗决策支持中的有效性。
莫斯塔法·卡沙尼（Mostafa Kashani）| 玛丽亚姆·罗斯塔米（Maryam Rostami）| 梅赫尔纳兹·卡里米·达拉比（Mehrnaz Karimi Darabi）| 法尔洪德·贾姆希迪（Farkhondeh Jamshidi）| 阿拉什·拉菲伊尼亚（Arash Rafeeinia）
伊朗西尔詹（Sirjan）西尔詹医学院学生研究委员会
摘要
目的
COVID-19大流行显著改变了儿科呼吸系统疾病的治疗策略和医疗利用模式。鉴于临床决策中需要可解释的预测工具，本研究旨在调查哮喘和过敏性鼻炎患儿在COVID-19疫情前后治疗方式的变化，并预测其住院时间和治疗反应。
方法
这项回顾性研究分析了2018年1月至2021年12月期间，在阿瓦兹（Ahvaz）的阿布扎尔医院（Abuazar Hospital）诊断为哮喘和/或过敏性鼻炎的450名住院儿童的医疗记录，这些诊断依据GINA和ARIA标准。研究使用Python实现了不规则模糊元胞自动机（IFCA）模型。数据预处理包括独热编码（one-hot encoding）和SMOTE平衡技术。模型性能通过5折交叉验证进行评估，并与随机森林（Random Forest）和支持向量机（SVM）模型进行了比较。
结果
COVID-19疫情期间，抗生素的使用显著减少（38.2% vs 58.7%），而皮质类固醇的使用增加（72.3% vs 57.2%）（P < 0.001）。IFCA模型的准确率为86.2%，AUC-ROC值为0.89，优于基线模型。疾病严重程度（SHAP=0.35）和治疗类型（SHAP=0.28）是最具影响力的预测因素。
结论
IFCA模型能够为儿童哮喘和过敏性鼻炎的住院结果提供准确且可解释的预测，有助于疫情期间的临床决策和资源优化。
引言
哮喘是儿童中最常见的慢性呼吸系统疾病之一，其特征是气道炎症、支气管高反应性和反复出现的症状，如喘息和呼吸困难。除了临床负担外，儿童哮喘还给家庭和医疗系统带来了巨大的社会和经济成本。在伊朗等发展中国家，12岁以下儿童的发病率估计在10%到20%之间，受环境暴露、遗传易感性和病毒感染的影响[1]。COVID-19大流行对儿童哮喘的管理产生了复杂且有时相互矛盾的影响。一方面，封锁、学校关闭和减少户外暴露等公共卫生措施减少了与过敏原和季节性呼吸道病毒的接触，从而降低了急性加重的发生率。另一方面，医疗服务的中断、对就医的恐惧以及医疗咨询的延迟引发了人们对治疗延误和需要住院的更严重病例的担忧。这些多方面的变化强调了在大流行期间系统评估治疗模式和住院结果的必要性[2]。
过敏性鼻炎常与儿童哮喘共存，被认为是可能影响哮喘控制和住院结果的重要并发症。根据GINA和ARIA指南，建议综合管理上呼吸道和下呼吸道炎症以改善整体呼吸系统健康。然而，在本研究中，哮喘是主要关注的疾病，而过敏性鼻炎被视为可能改变临床表现和治疗反应的共存状况[3]。COVID-19疫情期间，哮喘患儿的治疗策略受到不断发展的临床指南和关于病毒及细菌共感染的担忧的影响。虽然抗生素通常不推荐用于过敏性鼻炎，但在怀疑细菌感染的情况下，可能会在住院治疗中开具。我们发现疫情期间抗生素使用量减少，这可能反映了更严格的抗菌管理措施和更新的临床指南；而皮质类固醇使用的增加则符合哮喘控制的抗炎策略[4, 5]。
近年来，人工智能（AI）在医学领域的进展，尤其是在预测治疗结果方面，改变了这一领域。标准的机器学习方法（如随机森林和支持向量机（SVM）有助于分析临床数据，但在解释结果和处理混合数据类型方面存在不足[6]。另一方面，可解释的AI（XAI）方法能够创建明确的规则，更适合医疗应用。元胞自动机（CA）作为一种简单的计算模型，可以模拟局部相互作用以展示复杂模式。当将其与模糊逻辑结合时，就形成了不规则模糊元胞自动机（IFCA），这种模型适用于混乱和基于类别的数据[7]。研究表明，IFCA在预测儿童呼吸系统疾病的住院时间方面具有高准确性，因为它通过模糊规则揭示了疾病程度和治疗类型之间的非线性关系，例如“如果病情中等且治疗包含皮质类固醇，则住院时间较短”[8]。这种清晰的洞察力与隐藏的“黑箱”模型不同，有助于建立医生之间的信任并快速做出决策[9]。
尽管人工智能在儿科呼吸医学中的应用日益增多，但用于预测哮喘患儿住院结果的可解释模型仍然有限。大多数现有研究依赖于可解释性较差的黑箱机器学习技术，这限制了其在临床中的应用[10]。在本研究中，将COVID-19时期作为时间变量，以考察治疗模式和住院结果的潜在变化。然而，所提出的IFCA模型不仅适用于大流行情况，而且作为一个通用且可解释的框架，能够模拟不同时间段和医疗环境下的异质临床数据[11]。
研究设计与研究对象
本研究是一项回顾性分析研究，旨在调查COVID-19大流行前后（2018年1月至2021年12月）阿瓦兹阿布扎尔医院哮喘和过敏性鼻炎患儿的治疗模式变化，并预测其住院时间和治疗反应。为此，我们使用了不规则模糊元胞自动机（IFCA）模型。该模型结合了模糊逻辑和元胞结构，便于进行分析
描述性统计
本研究共纳入450名儿童，其中男孩239名（53.1%），女孩211名（46.9%）。平均年龄为4.2岁，标准差为2.8岁。年龄分组如下：1个月以下（1.8%）、1个月至1岁（8.2%）、1至5岁（34.9%）、5至8岁（30.4%）和8至12岁（24.7%）。在疾病严重程度方面，35.1%的病例为轻度，50.0%为中度，14.9%为重度（需要ICU护理）。在时间分布上，55.3%的儿童（249名）在COVID-19疫情期间住院
讨论
研究结果表明，在COVID-19大流行前后，哮喘和过敏性鼻炎患儿的治疗模式、住院时间预测及治疗反应存在显著变化。不规则模糊元胞自动机（IFCA）模型在预测住院时间方面的准确率为86.2%，AUC-ROC值为0.89，优于随机森林和支持向量机等基线模型。这种优越的性能
结论
在本研究中，基于IFCA的可解释AI模型在预测哮喘患儿的住院时间和治疗反应方面表现优异。疾病严重程度和治疗类型是最具影响力的预测因素，这支持了该模型的临床合理性。值得注意的是，COVID-19期间的治疗模式变化与SARS-CoV-2感染情况无关。
这些发现表明，可解释的AI方法可能
伦理批准
本研究获得了阿瓦兹军迪沙普尔医科大学（Ahvaz Jundishapur University of Medical Sciences）机构伦理委员会的批准（伦理批准代码：IR. AJUMS. Medicine. REC.1402.324）。所有程序均遵循《赫尔辛基宣言》中的伦理标准进行。
发表同意
所有参与者均书面同意本文中数据的发表、图像及其他相关信息的公开。
利益冲突声明
作者声明与本文报告的工作无关任何财务或其他形式的利益冲突。
作者贡献声明
法尔洪德·贾姆希迪（Farkhondeh Jamshidi）： 软件开发。玛丽亚姆·罗斯塔米（Maryam Rostami）： 数据整理。阿拉什·拉菲伊尼亚（Arash Rafeeinia）： 监督。莫斯塔法·卡沙尼（Mostafa Kashani）： 形式分析。梅赫尔纳兹·卡里米·达拉比（Mehrnaz Karimi Darabi）： 数据整理、方法论设计
数据可用性声明
本研究生成和分析的数据集尚未公开，但可根据合理请求向相应作者获取。
利益冲突声明
作者声明与本文报告的工作无关任何财务或其他形式的利益冲突。致谢
作者衷心感谢阿瓦兹军迪沙普尔医科大学提供的研究空间、设施和宝贵支持，这些因素使本研究得以顺利完成。他们在整个项目期间对学术研究的支持与承诺至关重要。
