机器学习可以帮助预测青少年对 HIV 治疗的依从性

快速阅读: 《Newswise （新闻稿）》消息，研究利用人工智能预测低资源环境下青少年HIV感染者对治疗的依从性，开发的模型能更精准识别高风险个体，减少误报，优化干预措施，提高治疗效果。该研究由华盛顿大学团队完成，获美国NICHD资助。

标题：利用人工智能提升低资源环境下青少年HIV感染者治疗依从性

贝丝·米勒（贝丝·米勒）报道
近85%的170万名青少年HIV感染者生活在撒哈拉以南非洲，而全球近4000万HIV携带者中有一半也居住在这个地区。尽管乌干达政府免费提供抗逆转录病毒治疗（抗逆转录病毒疗法），但10至16岁的青少年对治疗方案的依从性较低，这增加了病毒进一步传播的风险。

克莱尔·纳朱科（克莱尔·纳朱科）是圣路易斯华盛顿大学的一名博士生，在乌干达国际儿童健康与发展中心（国际儿童健康与发展中心）担任数据经理时，她亲眼目睹了这一情况。该中心由华盛顿大学布朗学院杰出教授弗雷德·M·塞瓦马拉（弗雷德·M·塞瓦马拉）创立。目前在华盛顿大学计算与数据科学部攻读博士学位的纳朱科，在计算机科学与工程麦凯维学院的全格拉夫教授陈阳（陈阳）的共同指导下，希望利用人工智能和数据科学技术来帮助提升低资源地区青少年对治疗的依从性。这项研究的结果于2025年2月25日在线发表在《艾滋病》杂志上。

“我对机器学习非常感兴趣，并想将其应用于直接关系到我的问题上，”她说。“由卢教授负责的人工智能健康研究所与由弗雷德教授负责的国际儿童健康与发展中心之间的合作特别有助于这种创新工作。”

在卢教授和塞瓦马拉教授的支持下，纳朱科着手开发了一种机器学习模型，用于预测哪些青少年HIV感染者不太可能坚持抗逆转录病毒疗法。有了这样的知识，医疗保健从业者可以为那些被识别为不太可能坚持治疗计划的青少年实施干预措施。

“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药片数量是否与预期相符，并询问青少年关于漏服剂量的问题，以判断患者是否遵医嘱服药，”纳朱科说。“如果得以正确实施，这个预测青少年未来不依从性的项目可以产生实际影响。”

为了训练模型，纳朱科使用了来自乌干达南部39家诊所为期六年的集群随机对照试验的数据，该地区受HIV影响最为严重。Suubi+依从性数据集包括年龄在10至16岁之间、医学诊断为HIV阳性、知晓自身状况、在一家诊所接受ART治疗并生活在家庭中的青少年。最终，模型分析了647名在48个月时结局数据完整的患者的资料。

纳朱科开发了一种机器学习模型，通过结合社会行为和经济因素以及患者的依从历史来预测对抗逆转录病毒疗法的不依从性。该模型准确识别出80%的有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，该模型帮助医疗保健提供者将干预措施集中在最需要的人身上，从而改善患者结果，同时减少不必要的随访次数及减轻医护人员的工作负担。

在包括社会、人际、家庭、教育、结构和经济因素在内的50个变量中，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高度相关。其他预测特征包括不良的依从历史；儿童贫困；与主要照顾者的生物学关系；自我概念；储蓄信心；与照顾者讨论敏感话题；家庭规模；以及学校入学情况。

“青少年是全球范围内最不依从的群体，”塞瓦马拉说。“他们正在走向独立，不想被人指手画脚。当他们进入约会期时，有很多污名化现象，他们不想与HIV联系在一起。”

研究团队发现，HIV青少年拥有储蓄账户是坚持ART治疗的一个相关因素。

“研究认为，当人们拥有资源尤其是储蓄时，其思维模式和行为方式会有所改变，”塞瓦马拉说。“对未来充满希望，因此他们会更加注重自身健康，以延长寿命。当人们感到绝望时，他们没有什么可失去的。”

塞瓦马拉说，坚持治疗颇具挑战性，因为药物需随餐服用，否则可能引起恶心。如果HIV患者没有食物或交通工具来获取药物，他们就不太可能坚持治疗。

卢教授表示，该模型可根据识别出的风险因素进行调整，从而支持个性化干预策略，凸显了合作的关键作用。

“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，”卢教授说。“通过利用弗雷德团队从实地收集的数据及其对复杂健康问题的见解，我们应用人工智能专业知识来分析这些数据并构建工具，以提高健康结果。”

###
纳朱科C，布拉思韦特R，徐Z，基佐托S，卢C，塞瓦马拉FM。利用机器学习预测低资源环境中生活着的HIV青少年对抗逆转录病毒疗法的不良依从性。艾滋病。2025年2月25日在线发布，DOI：10.1097/QAD.0000000000004163。

该研究资金由尤妮斯·肯尼迪·施莱佛国家儿童健康与人类发展研究所（NICHD）资助（1RO1HD074949-01）。

(以上内容均由Ai生成)