探索母乳喂养、抗生素及室内环境对学龄前儿童特应性皮炎的影响：基于机器学习与卫生假说的新发现

《Scientific Reports》：Exploring the role of breastfeeding, antibiotics, and indoor environments in preschool children atopic dermatitis through machine learning and hygiene hypothesis

研究人员为探究儿童特应性皮炎（AD）影响因素，开展相关研究，发现多因素作用，助力 AD 防治。

　　# 探究特应性皮炎影响因素：解锁儿童健康密码
在全球范围内，儿童特应性皮炎（Atopic Dermatitis，AD）的发病率正不断攀升，尤其是在西方工业化国家。这一常见的慢性、复发性皮肤病，就像一个 “小恶魔”，不仅让孩子们皮肤干燥、出现局部红色鳞屑斑块，还伴有剧烈瘙痒和疼痛，严重影响着他们的睡眠、学习和生活，甚至对未来的职业规划都产生了负面影响，也给社会带来了沉重的医疗负担。

以往的研究虽然已经发现了许多与 AD 相关的遗传和环境因素，但面对 AD 患病率的持续上升，人们不禁思考，是否还有关键因素被忽视了呢？这时，“卫生假说” 进入了大家的视野。该假说认为，早期病原体暴露对免疫系统发育至关重要，这或许能解释 AD 发病率上升的现象。与此同时，先进的机器学习算法也为研究各种风险因素之间的相互作用提供了新的视角。在这样的背景下，为了更深入地了解早期儿童抗生素使用、纯母乳喂养持续时间、室内环境因素与儿童 AD 之间的关系，来自新疆医科大学、上海健康医学院附属周浦医院等机构的研究人员开展了这项具有重要意义的研究，相关成果发表在《Scientific Reports》上。

研究人员采用了基于社区的病例对照研究设计，通过分层随机抽样，从乌鲁木齐的 40 个行政区中选取了 6 个，又从每个行政区随机选择 8 - 12 所幼儿园，总共 60 所，对其中被医生诊断为 AD 的儿童进行研究。同时，按照性别、年龄和种族，为每个病例匹配 4 个没有 AD 诊断的儿童作为对照。研究人员设计了标准化问卷，内容涵盖一般人口统计信息、儿童喂养状况、儿童和家庭成员 AD 患病率以及生活环境等方面。

在统计分析阶段，研究人员使用 Epi Data 3.1 建立数据库，运用 R 4.3.0 软件对数据进行分析处理。对于缺失数据，非随机缺失的根据原因进行填充，随机缺失的则通过多重填补链式方程（Multiple Imputation by Chained Equations，MICE）进行填充。运用χ2检验进行单因素分析，采用多变量逻辑回归分析与学龄前儿童 AD 发生相关的因素，并计算优势比（Odds Ratio，OR）和 95% 置信区间（Confidence Interval，CI）。此外，研究人员还进行了分层分析和构建可解释的机器学习模型，以深入探究各因素的作用。

研究人群特征

研究的病例组有 771 名儿童，其中男孩 400 名（51.9%），女孩 371 名（48.1%），汉族儿童 717 名（93.0%），少数民族儿童 54 名（7.0%），平均年龄为 5.40 ± 1.06 岁，首次出现 AD 的平均年龄为 2.16 ± 1.32 岁。对照组有 3084 名儿童，与病例组在性别、种族和年龄分布上相匹配。病例组和对照组在出生方式、足月状况、兄弟姐妹情况、出生体重以及父母患过敏性疾病等方面存在显著差异。

室内环境因素、母乳喂养和抗生素暴露对 AD 的单因素分析

研究发现，AD 组和对照组在多个因素上存在显著差异，如父母住所新购置家具、装修情况、是否有霉菌、潮湿程度，以及父亲和外祖父在母亲怀孕期间的吸烟情况等。在孩子出生后的第一年，新购置家具、装修、霉菌、潮湿、父亲和外祖父吸烟、养宠物、接触鱼类或爬行动物、纯母乳喂养持续时间和抗生素暴露等因素在两组间也存在显著差异。同时，纯母乳喂养持续时间和第一年抗生素治疗频率存在显著趋势。

室内环境因素、母乳喂养和抗生素暴露对 AD 的多变量分析

多变量分析结果显示，父亲哮喘、父亲过敏性鼻炎（Allergic Rhinitis，AR）、父亲 AD、母亲 AR 和母亲 AD 是儿童 AD 的遗传相关风险因素。母亲怀孕期间住所装修是 AD 的室内环境风险因素；孩子在 0 - 1 岁接受 3 次及以上抗生素治疗，患 AD 的风险显著增加；纯母乳喂养 4 个月及以上的孩子，AD 风险也有所上升。而有哥哥姐姐和低出生体重则是 AD 的保护因素。

按父母特应性疾病病史和孩子出生方式进行分层分析

分层分析表明，纯母乳喂养 4 个月及以上和早期使用 3 次及以上抗生素对 AD 主要呈现有害影响，而有哥哥姐姐和低出生体重则主要呈现保护作用。母亲有过敏相关疾病时，纯母乳喂养 4 个月及以上对 AD 的风险影响较低；父亲有过敏相关疾病时，会增加母乳喂养导致 AD 的风险。父亲有过敏相关疾病时，3 次及以上抗生素使用对 AD 的风险影响较低。同时，父母有过敏相关疾病会显著降低有哥哥姐姐和低出生体重对 AD 的保护作用。

机器学习模型构建和特征评估

研究人员通过网格搜索策略获得模型的最优参数，结果显示随机森林模型在训练集和测试集上的表现最优。XGBoost 和随机森林模型的全局重要性评估表明，母乳喂养持续时间、有哥哥姐姐和低出生体重在 AD 预测中占据重要地位。研究人员还基于随机森林模型构建了在线 AD 预测工具，可用于识别 2 - 8 岁儿童的 AD 风险。

研究结论表明，父母特应性疾病病史、母亲怀孕期间室内装修、纯母乳喂养 4 个月及以上以及孩子第一年使用 3 次及以上抗生素，均显著增加学龄前儿童患 AD 的风险。而有哥哥姐姐和低出生体重与 AD 风险呈负相关，这支持了卫生假说。机器学习分析确定，父母患 AD 或 AR 的儿童是未来预防 AD 的重点人群。减少抗生素过度使用对控制儿童 AD 可能至关重要。

不过，该研究也存在一些局限性。这是一项在乌鲁木齐进行的单中心研究，可能无法完全代表全国人口情况。作为基于问卷的回顾性研究，存在回忆和报告偏倚，可能影响研究结果的科学性。分层分析和机器学习转换过程虽然保证了内部数据一致性，但降低了对照组的代表性，挑战了模型的普遍性。

总体而言，这项研究为我们深入了解儿童 AD 的影响因素提供了重要依据，有助于制定更有效的预防和干预措施，推动儿童健康事业的发展。未来，还需要更多高质量的研究来进一步明确相关因素的作用机制，为儿童 AD 的防治提供更坚实的科学基础。