基于生命历程理论和机器学习方法的儿童哮喘预测研究

Asthma is a common chronic disease among Chinese children, and one of the major causes of global disease burden. The prevalence of childhood asthma has been soaring among urban Chinese children, which seemed unpreventable using current disease control and management strategies. From the perspective of life-course framework, this study aims to systematic investigating the prediction effects of early life (prenatal, neonatal, infancy) factors for childhood asthma risks, and to explore theory- and evidence-based strategies for early prevention of childhood asthma. This study will firstly establish a large sample retrospective cohort of typical urban children, collect information using parental questionnaires and abstraction of electronic medical records, and using a machine learning approach to find the best predicting models for school age asthma based on factors from different early life stages. Second, to rank the predictors according to their relative importance, and develop preliminary prediction tools for different life stages and for popularizing. Finally, by consolidating the theoretical framework, our prediction analysis results、literature review、interviews at multiple cities, to explore effective early prevention strategies for childhood asthma. This study will fill the gap of lacking Chinse cohort studies in the research field of early life origins of asthma, and advance the research of prediction studies and prediction tools for childhood asthma risks, and contribute to the development of prevention-oriented child health management programs and policies

支气管哮喘是我国儿童常见的慢性病之一，也是造成全球疾病负担的主要原因之一。目前尚无扭转我国城市儿童哮喘患病率快速上升趋势的有效策略。本研究旨在从生命历程理论的角度，系统研究生命早期（孕期、新生儿期和婴儿期）因素对儿童哮喘患病风险的预测作用，结合理论与证据探讨对儿童哮喘的早期预防策略。本研究将首先建立典型城市儿童的大样本回顾性队列，通过问卷调查和电子病历摘要收集资料，用机器学习的数据分析方法，筛选出孕期、新生儿期和婴儿期因素分别对学龄期哮喘患病风险的最优预测模型；基于预测因素的相对重要性排序，整合关键预测因素为，多生命阶段初步建立便于普及的预测工具（指数）；根据理论框架、实证研究结果、文献回顾、多城市调研，探索儿童哮喘的早期预防对策。本研究将弥补中国人群研究在哮喘的生命早期起源领域贡献少的情况，推进对儿童哮喘患病风险的早期预测分析和预测指标的研究，为制定以预防为主的儿童健康管理政策提供依据。

.哮喘在中国的疾病负担和管理问题已引起关注。现有儿童哮喘研究在基础数据、机器学习方法应用等方面存在滞后，无法有效服务于儿童哮喘研究和慢病管理模式的转变。..本项目的主要研究内容有三。第一是基于生命历程框架收集我国城市儿童典型队列，根据不同生命历程阶段（孕期、新生儿期和婴儿期）收集到的信息，运用机器学习的分析方法，建立一系列对儿童哮喘患病情况的早期预测模型，并开发相应的预测工具。第二是应用机器学习和结构方程模型等方法，探索儿童哮喘控制及家庭疾病负担的影响因素。第三是根据理论框架、实证研究结果、文献回顾和实地调研，分析儿童哮喘的早期预防对策。..经过近两年的持续数据收集，已完成了2000余份调查问卷收集的目标，建立了一个基于医院儿科呼吸科就诊患者的典型儿童队列，涉及到700余个生命早期经历变量，一定程度上弥补了中国儿童哮喘和过敏性疾病研究中对生命早期数据搜集较少的缺陷。..在机器学习预测模型建构上，为了避免过度拟合，经基于文献的变量选择、数据预处理、和一个基于树模型的梯度提升机(Gradient Boosting Machine, GBM)数据分析，最终根据每个变量的预测贡献度筛选出排名前50的特征维度以及其对应的43个变量进入模型训练。构建了八个预测模型分别分析各个阶段变量对儿童哮喘的影响。采用逻辑回归二分类模型、基于Gaussian核函数的支持向量机（svm-Gaussian）和基于多项式核函数的支持向量机（svm-Polynomial）模型对4-9岁儿童的儿童哮喘患病状态进行判断。模型拟合结果验证了生命早期因素的预测价值，提示在生命早期，除已知的家庭相关疾病史和儿童早期病症外，家庭结构、被动吸烟、家庭社会经济因素、母孕期特定食物摄入和纯母乳喂养也对4-9岁儿童哮喘现患有重要预测作用。这系列预测模型将推动国内外疾病风险评估研究，并即将转化为辅助工具用于实践。..本项目在儿童哮喘控制及其家庭疾病负担的影响因素、儿童哮喘早期预防策略分析研究中也取得了进展，为临床诊断和教育提供了参考依据，为改进管理模式和实施效果提出了有针对性的建议。.