机器学习可以帮助预测对 HIV 治疗的依从性

快速阅读: 据《圣路易斯华盛顿大学》最新报道，研究显示，撒哈拉以南非洲的HIV青少年治疗依从性低。纳朱科博士开发AI模型，结合多因素预测不依从性，提升干预效率。该研究获美国NICHD资助。

近八成五的约170万感染HIV的青少年生活在撒哈拉以南非洲，与全球近四千万HIV感染者中的一半共同居住在此。尽管乌干达政府提供免费的抗逆转录病毒治疗（ART），但10至16岁的青少年对治疗方案的遵从度较低，这增加了病毒进一步传播的风险。圣路易斯华盛顿大学的博士生克莱尔·纳朱科在乌干达国际儿童健康与发展中心（ICHAD）担任数据经理时亲历了这一状况，该中心由华盛顿大学布朗学院的威廉·E·戈登杰出教授弗雷德·M·塞瓦马拉创立。目前，纳朱科正在华盛顿大学计算与数据科学部攻读博士学位，她希望通过人工智能（AI）和数据科学技术来帮助改善低资源地区青少年对治疗的遵从情况。她的联合导师是塞瓦马拉和麦凯尔维工程学院的全格拉夫计算机科学与工程教授陈阳陆。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。“由陆教授领导的人工智能健康研究所与由弗雷德教授领导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。”

在陆教授和塞瓦马拉教授的支持下，纳朱科致力于开发一种机器学习模型，以预测哪些感染HIV的青少年不太可能坚持抗逆转录病毒疗法。有了这样的知识，医护人员可以为那些被认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的药片数量是否符合预期，并询问青少年关于漏服剂量的问题，以确定患者是否坚持治疗，”纳朱科说。“如果以正确的方式实施，这个预测青少年未来不遵循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个诊所为期六年的分组随机对照试验的数据，该地区受HIV影响最为严重。苏比乌+依从性数据集包括10至16岁之间被医学诊断为HIV阳性、知晓自身状况、在诊所接受ART治疗并生活在家庭中的青少年。最终，模型分析了647名完整结局数据的患者的资料。

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遵从历史来预测对抗逆转录病毒疗法的不遵从性。该模型准确识别出80%有不遵从风险的青少年，同时将误报率降至52%——比仅基于遵从历史的模型低14个百分点。通过减少误报，该模型帮助医护人员将干预措施集中在最需要的人群上，从而改善患者结果，同时减少不必要的随访和医护人员疲劳。

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个最能预测个人对ART遵从性差的因素。经济因素与未来的不遵从性高度相关。其他预测特征包括不良的遵从历史；儿童贫困；与主要监护人的生物学关系；自我概念；储蓄信心；与监护人讨论敏感话题；家庭规模；以及学校入学情况。

“青少年是全球范围内最不遵从的群体，”塞瓦马拉指出。“他们正在走向独立，不想被告诉该做什么。当他们进入约会期时，有很多污名，他们不想与HIV联系在一起。”

研究团队发现的一个与HIV阳性青少年坚持ART治疗相关的因素是有储蓄账户。“理论认为，当人们拥有资源时，特别是有积蓄时，他们的思维方式和行为方式会有所不同，”塞瓦马拉说。“未来充满希望，所以他们会照顾好自己，以便活得更长。当人们感到绝望时，他们无所有可失。”

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携带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。

陆教授表示，这个模型可以依据识别出的风险因素进行调整，用于实地部署，支持个性化干预策略，凸显了合作的关键性。“这是华盛顿大学跨学科研究的一个极佳例子，结合了AI和全球健康，”陆教授说。“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AI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, 陆 C, 塞瓦马拉 FM. 使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疗法遵从性差。艾滋病. 2025年2月25日在线发布，DOI：10.1097/QAD.0000000000004163。

这项研究获尤妮斯·肯尼迪·施莱弗国家儿童健康与人类发展研究所（NICHD）资助。

最初发布于麦凯尔维工程学院官网

(以上内容均由Ai生成)