在撒哈拉以南非洲实现第三个95:应用机器学习方法来预测病毒失败
Allahna L Esber1,2, Nicole F Dear1,2, David King1,2
1U.S. Military HIV Research Program, Walter Reed Army Institute of Research, Silver Spring.
AIDS (London, England)
|July 7, 2023
概括
监督学习模型确定了非洲艾滋病毒感染者 (PWH) 病毒失败的关键预测因素. 拉索回归在预测病毒失败方面略高于随机森林,突出了CD4计数和ART坚持等因素.
科学领域:
- 流行病学 流行病学
- 机器学习在公共卫生中的应用
- 艾滋病毒/艾滋病研究研究
背景情况:
- 艾滋病毒感染者的病毒衰竭 (PWH) 是一个复杂的问题,受各种因素的影响.
- 使用监督学习的预测建模提供了一种新的方法来识别病毒失败的关键决定因素.
研究的目的:
- 为了比较两个监督学习算法的性能,拉索回归和随机森林,预测四个非洲国家的PWH病毒失败.
- 使用这些机器学习方法,识别病毒失败的新型预测因素.
主要方法:
- 一项纵向队列研究,对2013年至2020年期间在乌干达,肯尼亚,坦桑尼亚和尼日利亚的12个地点注册的2941名PWH进行了纵向队列研究.
- 病毒衰竭被定义为抗逆转录病毒疗法 (ART) 接受6个月以上的参与者的病毒载量≥1000副本/毫升.
- 使用拉索回归和随机森林来预测病毒失败,使用曲线下的面积 (AUC) 评估性能.
主要成果:
- 与随机森林 (AUC: 0.75) 相比,拉索回归模型在预测病毒失败方面表现略高 (AUC: 0.82).
- 两种模型都确定了CD4+计数,ART疗法,年龄,自我报告的ART坚持和ART持续时间作为与病毒失败相关的重要因素.
- 在拥有完整数据的1571名参与者中,190名 (12.0%) 在入学时表现出病毒失败.
结论:
- 监督学习模型,特别是拉索回归,可以有效地预测非洲环境中的PWH病毒失败.
- 已识别的预测因素与现有知识保持一致,但为有针对性的干预提供了数据驱动的基础.
- 这些发现支持在艾滋病毒研究中使用机器学习来产生假设,并为未来的调查提供信息,以减少病毒失败.
相关概念视频
01:18Steps in Outbreak Investigation
154
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
154
00:36Viral Mutations
32.5K
A mutation is a change in the sequence of bases of DNA or RNA in a genome. Some mutations occur during replication of the genome due to errors made by the polymerase enzymes that replicate DNA or RNA. Unlike DNA polymerase, RNA polymerase is prone to errors because it is not capable of “proofreading” its work. Viruses with RNA-based genomes, like HIV, therefore accrue mutations faster than viruses with DNA-based genomes. Because mutation and recombination provide the raw material...
32.5K