使用机器学习预测青少年的 HIV 治疗不依从性

快速阅读: 《News-Medical.Net》消息，研究显示，撒哈拉以南非洲HIV青少年患者治疗依从性低。圣路易斯华盛顿大学开发机器学习模型，预测高风险患者，优化干预。模型整合多因素，降低误报率，提高治疗效果。研究强调跨学科合作的重要性。

圣路易斯华盛顿大学
2025年3月17日

全球近四千万HIV感染者中，约有八百五十万人是17岁以下的青少年，而其中将近八十五%的感染者生活在撒哈拉以南的非洲地区，这其中包括一半的10至16岁青少年。尽管乌干达政府免费提供抗逆转录病毒治疗（ART），但这一年龄段的青少年对治疗方案的依从性较低，从而增加了病毒进一步传播的风险。

在乌干达国际儿童健康与发展中心（ICHAD）担任数据经理期间，圣路易斯华盛顿大学的博士生克莱尔·纳朱科亲眼目睹了这一现象。该中心由华盛顿大学布朗学院威廉·E·戈登杰出教授弗雷德·M·塞瓦马拉领导创立。目前，纳朱科正在华盛顿大学计算与数据科学系攻读博士学位，她由计算机科学与工程系富尔格拉夫教授陈阳陆共同指导，希望通过人工智能和数据科学改善低资源地区青少年的治疗依从性。这项研究结果于2025年2月25日在线发表在《艾滋病》期刊上。

在陈阳陆和塞瓦马拉的支持下，纳朱科着手开发了一种机器学习模型，用于预测哪些感染HIV的青少年更可能不遵守抗逆转录病毒疗法。有了这样的知识，医疗从业者可以针对那些被认为不太可能遵守治疗计划的人实施干预措施。

“目前的做法是，青少年每1到2个月去诊所取药，医护人员检查患者剩余的药片数量是否符合预期，并询问他们漏服药物的情况，以此判断患者是否遵守治疗方案，”纳朱科说。“如果以正确的方式实施，这个预测青少年未来不依从性的项目将产生实际影响。”

为了训练模型，纳朱科利用了乌干达南部39个诊所为期六年的群组随机对照试验数据，该地区受HIV影响最为严重。Suubi+依从性数据集包括10至16岁、医学确诊为HIV阳性、知晓自身状况、在诊所接受ART治疗且生活在家庭中的青少年。最终，模型分析了647名在48个月内完整记录结果的患者的资料。

纳朱科开发了一种机器学习模型，通过整合社会行为、经济因素以及患者的依从历史来预测抗逆转录病毒治疗的不依从性。该模型能够准确识别出80%存在非依从风险的青少年，同时将误报率降低到52%，比仅基于依从历史的模型低14个百分点。通过减少误报，该模型帮助医护人员将干预重点放在最需要帮助的人身上，提高了患者的结果，同时减少了不必要的随访和医护人员疲劳。

在包含50个变量的数据里，包括社交、人际关系、家庭、教育、结构和经济因素，模型发现12个最能预测个体对ART治疗依从性差的因素。经济因素与未来的非依从性密切相关。其他预测特征包括：较差的依从历史、儿童贫困、与主要看护者的生物学关系、自我概念、储蓄信心、与看护者讨论敏感话题、家庭规模和学校入学情况。

**相关故事**
美国援助冻结威胁非洲HIV治疗
为HIV感染者识别HPV癌症筛查和预防缺口
研究表明综合护理模式可改善注射吸毒者的结果

“青少年是全球范围内最不依从的群体，”塞瓦马拉说，“他们正迈向独立，不想被命令做什么。进入约会阶段后，他们会面临很多污名化，不愿与HIV联系在一起。”

研究团队发现的一个因素是拥有储蓄账户与青少年坚持ART治疗有关联。

“理论认为，当人们拥有资源时，尤其是有一定积蓄时，他们的思维方式和行为方式会发生变化，”塞瓦马拉说。“未来充满希望，所以他们会照顾好自己，以便活得更久。当人们感到绝望时，他们就没有什么可失去的。”

塞瓦马拉指出，坚持治疗很困难，因为药物必须与食物一起服用或会引起恶心。如果HIV感染者无法获得食物或交通工具获取药物，他们就不太可能坚持治疗。

陈阳陆表示，该模型可以根据识别出的风险因素进行调整，用于现场支持个性化干预策略，突出了合作的重要性。

“这是华盛顿大学跨学科研究的一个极佳例子，结合了人工智能和全球健康，”陈阳陆说。“借助弗雷德团队从实地收集的数据及其对复杂健康问题的洞察，我们应用AI专业知识分析这些数据并构建工具，以提升健康结果。”

**来源：**
圣路易斯华盛顿大学

**期刊参考：**
纳朱科, C. 等。（2025）。利用机器学习预测低资源环境中生活HIV青少年的抗逆转录病毒治疗不良依从性。《艾滋病》。
doi.org/10.1097/QAD.0000000000004163。

(以上内容均由Ai生成)