使用无监督机器学习来描述撒哈拉以南非洲的艾滋病毒预测因素
Charles K Mutai1,2, Patrick E McSharry3,4,5, Innocent Ngaruye6
1African Center of Excellence in Data Science, University of Rwanda, Kigali, BP 4285, Rwanda. charlimtai@gmail.com.
BMC infectious diseases
|July 19, 2023
概括
这项研究使用机器学习将撒哈拉以南非洲国家按社会行为性艾滋病毒风险因素分组. 研究结果显示,在这些已识别的集群中,有明显的艾滋病毒阳性模式.
科学领域:
- 流行病学 流行病学
- 机器学习 机器学习
- 公共卫生 公共卫生
背景情况:
- 撒哈拉以南非洲地区面临着各种各样的艾滋病毒流行病模式,阻碍了统一的干预措施.
- 在国家集群中分析艾滋病毒阳性对有针对性的战略至关重要.
- 需要根据社会行为因素评估国家的同质性.
研究的目的:
- 通过使用社会行为HIV预测因素,确定撒哈拉以南非洲国家集群.
- 分析这些已识别的集群中的HIV阳性分布.
- 探索无监督机器学习对流行病学分析的有用性.
主要方法:
- 对基于人口的艾滋病毒影响评估 (PHIA) 数据 (2015-2019) 应用的聚合层次聚类 (2015-2019).
- 分析包括13个撒哈拉以南非洲国家的146,733名男性和155,622名女性.
- 最佳轮指数标准用于根据社会行为特征确定集群相似性.
主要成果:
- 根据社会行为数据,确定了男性和女性的两个群体.
- 关键预测因素包括家庭主人的关系,入学率,割礼状况 (男性),工作状况,城市居住和艾滋病毒状况意识.
- 在每个集群中观察到艾滋病毒阳性水平的显著变化,与这些预测因素有关.
结论:
- 无监督机器学习有效地根据社会行为性艾滋病风险因素识别国家集群.
- 这些发现通过突出区域流行病变异来支持定制的公共卫生干预措施.
- 这种方法为了解和应对撒哈拉以南非洲艾滋病毒流行病提供了有价值的工具.
