TOSSE CRONICA

Abstract

La tosse cronica rappresenta un significativo onere sanitario che influisce sulla qualità della vita (QoL) del paziente, indipendentemente dalla patologia respiratoria sottostante. Sebbene il machine learning abbia dimostrato eccezionali capacità predittive, la maggior parte degli algoritmi opera come "black box" opache, limitandone l'applicabilità in contesti sanitari in cui la sicurezza è critica.

La tosse cronica incide notevolmente sulla qualità della vita (QoL) dei pazienti; tuttavia, i modelli standard di machine learning funzionano come "black box" opache, ostacolandone l'adozione clinica. Questa tesi esamina l'applicazione di tecniche di machine learning trasparenti e basate su regole per decodificare le complesse interazioni multiorgano che determinano il deterioramento della QoL associato alla tosse cronica nei pazienti asmatici, privilegiando la spiegabilità e la verificabilità clinica accanto all'accuratezza predittiva.

Utilizzando l'algoritmo Logic Learning Machine (LLM-LOGIC) tramite la piattaforma Rulex, lo studio ha analizzato un dataset clinico eterogeneo comprendente dati sulla funzionalità polmonare, questionari multidimensionali sui sintomi e parametri di controllo dell'asma. I pazienti sono stati suddivisi in coorti in base al livello di controllo dell'asma per valutare la rilevanza delle caratteristiche specifiche di ciascun ambito. I sintomi sono stati classificati in distinti domini clinici per estrarre una logica condizionale interpretabile; tutti i modelli basati su regole generati sono stati sottoposti a una rigorosa validazione statistica per eliminare pattern spuri.

L'algoritmo LLM-LOGIC ha estratto con successo set di regole distinti e leggibili dall'uomo, dimostrando che i fattori determinanti della QoL variano radicalmente a seconda del livello di controllo della malattia. Nella coorte con asma controllato, i sintomi a carico delle vie aeree superiori e della gola sono emersi come i principali fattori di compromissione della QoL, p

Chronic cough represents a significant health burden affecting patient quality of life (QoL) independent of underlying respiratory pathology. While machine learning has demonstrated exceptional predictive capabilities, most algorithms operate as opaque "black boxes," limiting their applicability in safety-critical healthcare environments.

Chronic cough significantly impacts patient quality of life (QoL), yet standard machine learning models operate as opaque "black boxes," limiting their clinical adoption. This thesis investigates the application of transparent, rule-based machine learning to decode the complex, multi-organ interactions driving chronic cough-related QoL impairment in asthmatic populations, prioritizing explainability and clinical auditability alongside predictive accuracy.

Using the Logic Learning Machine (LLM-LOGIC) algorithm via the Rulex platform, this study analysed a heterogeneous clinical dataset encompassing pulmonary function, multifaceted symptom questionnaires, and asthma control metrics. Patients were stratified into cohorts based on their asthma control status to evaluate domain-specific feature relevance. Symptoms were categorized into distinct clinical domains to extract interpretable conditional logic, with all generated rule-based models undergoing rigorous statistical validation to eliminate spurious patterns.

The LLM-LOGIC successfully extracted distinct, human-readable rulesets, proving that QoL drivers shift fundamentally depending on disease control. In the controlled cohort, upper airway and throat symptoms emerged as the dominant drivers of QoL impairment rather than lower respiratory pathology. Conversely, for the uncontrolled cohort, asthma-specific features dominated the ruleset, with gastric symptoms acting as a powerful secondary driver.This work demonstrates that transparent, rule-based AI can successfully model complex clinical phenomena while maintaining full interpretability. These structurally distinct rulesets