Utilización de aprendizaje automático para predecir el estado de uso de la PrEP en adultos jóvenes de minorías...

Área de la Ciencia:

• Salud Digital
• Aprendizaje automático en Salud Pública
• Prevención del VIH

Sus antecedentes:

• La profilaxis preexposición (PrEP) es una herramienta crítica para la prevención del VIH, pero su subutilización es un problema, especialmente entre las minorías sexuales y de género (SGM) jóvenes.
• Las aplicaciones de citas y redes sociales son populares entre los jóvenes de SGM, lo que presenta una oportunidad para intervenciones de salud específicas.
• El aprovechamiento de la tecnología móvil puede cerrar las brechas en el acceso y la adherencia a los métodos de prevención del VIH.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático (ML) para predecir el uso de PrEP entre jóvenes de SGM.
• Evaluar la precisión predictiva de los modelos de ML entrenados con diversos datos de uso de aplicaciones móviles.
• Informar el desarrollo de intervenciones basadas en datos para mejorar la adopción y adherencia a la PrEP.

Principales métodos:

• Se adaptó la aplicación Android eWellness para recopilar de forma pasiva datos de uso de aplicaciones móviles, patrones de escritura y datos de ubicación GPS de los participantes (2021-2024).
• Se entrenó un modelo de ML utilizando los datos recopilados para predecir el estado de uso de PrEP autoinformado.
• Se evaluó la precisión del modelo utilizando puntuaciones F1, comparando modelos basados en diferentes combinaciones de características de datos.

Principales resultados:

• El modelo de ML que incorpora datos de todas las aplicaciones móviles (mensajería, citas, redes sociales) logró una alta precisión predictiva (puntuaciones F1 de 0.84 para el uso de PrEP, 0.82 para la no utilización).
• Los modelos que utilizan solo el uso de redes sociales, el lenguaje de comportamiento de riesgo o la monitorización de la ubicación mostraron una menor precisión predictiva.
• La combinación de todos los datos de uso de aplicaciones móviles arrojó un rendimiento predictivo superior en comparación con tipos de datos individuales u otras combinaciones.

Conclusiones:

• El aprendizaje automático puede predecir con precisión el estado de uso de PrEP en individuos jóvenes de SGM basándose en su actividad en aplicaciones móviles.
• Los hallazgos respaldan el desarrollo de estrategias personalizadas de promoción de la PrEP dirigidas a jóvenes de SGM que utilizan aplicaciones de redes sociales y citas.
• La investigación futura debe explorar la adaptabilidad del modelo en diversos subgrupos de SGM para refinar las estrategias de intervención.