在津巴布韦预测艾滋病毒感染的十年 (2005-2015) 前COVID-19:一个监督分类的基于机器学习的方法
Rutendo Beauty Birri Makota1, Eustasius Musenge1
1Division of Epidemiology and Biostatistics, School of Public Health, Faculty of Health Sciences, University of the Witwatersrand, Johannesburg, South Africa.
PLOS digital health
|June 7, 2023
概括
机器学习准确地确定了津巴布韦的艾滋病毒风险因素. XGBoost模型强调了终身性伴侣和同居时间作为关键预测因素,有助于有针对性的预防策略.
科学领域:
- 公共卫生 公共卫生
- 流行病学 流行病学
- 医疗保健中的机器学习
背景情况:
- 艾滋病毒/艾滋病仍然是津巴布韦的重大公共卫生问题,COVID-19大流行病加剧了这一问题.
- 机器学习 (ML) 为预测包括HIV在内的疾病风险提供了先进的能力.
- 了解艾滋病风险因素对于有效的预防和干预策略至关重要.
研究的目的:
- 确定与津巴布韦艾滋病毒阳性相关的常见风险因素.
- 利用机器学习进行准确的HIV风险预测.
- 分析2005年至2015年期间的艾滋病毒流行趋势.
主要方法:
- 利用了2005-2015年在津巴布韦进行的三项基于人口的调查数据.
- 使用机器学习模型,包括XGBoost,用于预测,80%的数据用于培训,20%用于测试.
- 应用拉索回归和顺序向前浮动选择用于特征选择和分层5倍交叉验证以获得模型稳定性.
主要成果:
- 艾滋病毒总流行率为22.5% (组合),女性为15.3%,男性为15.3%.
- XGBoost表现出卓越的性能,F1得分为男性91.4%,女性90.1%.
- 确定的主要风险因素包括终身性伴侣总数 (女性) 和同居时间 (男性).
结论:
- 机器学习模型,特别是XGBoost,可以准确地预测HIV感染的可能性.
- 确定了影响津巴布韦艾滋病毒风险的关键人口和行为因素.
- ML可以增强有针对性的干预措施,如暴露前预防 (PrEP) 和亲密伴侣暴力支持,与传统方法相比,提供更低的不确定性.
