使用无监督机器学习来分类细菌性阴道炎的行为风险标志物
Violeta J Rodriguez1,2, Yue Pan3, Ana S Salazar4
1Department of Psychiatry and Behavioral Sciences, University of Miami Miller School of Medicine, Miami, USA.
Archives of gynecology and obstetrics
|February 3, 2024
概括
机器学习确定了与细菌性阴道炎 (BV) 相关的四个风险行为群. 使用阴道淋浴进行阴道内实践 (IVP) 的女性显示BV患病率最高,突出了干预的目标.
科学领域:
- 生殖健康 生殖健康
- 传染病流行病学 传染病流行病学
- 计算生物学 计算生物学
背景情况:
- 细菌性阴道炎 (BV) 是一种常见的疾病,与性传播感染和艾滋病毒感染风险增加有关.
- 了解与BV相关的风险行为对于制定有效的预防策略至关重要.
- 以前的研究还没有完全阐明导致BV风险的行为复杂相互作用.
研究的目的:
- 使用无监督机器学习识别与细菌性阴道炎 (BV) 相关的不同风险行为集群.
- 为了确定BV在已识别的行为集群中的流行率.
- 为开发针对BV和相关健康风险的有针对性的干预措施提供信息.
主要方法:
- 使用无监督机器学习算法,特别是sidClustering和随机森林,来分析行为数据.
- 分析了来自佛罗里达州迈阿密的391名女性的135个行为变量,包括人口统计,性和生殖史,物质使用和阴道内治疗 (IVP).
- 使用Nugent标准诊断了BV,并评估了已识别的行为集群和BV患病率之间的统计关系.
主要成果:
- 在参与者中发现了四种不同的风险行为集群.
- 集群2,以使用阴道淋浴作为阴道内实践 (IVP) 的女性为特征,表现出 BV 患病率最高的 52.7%.
- 所有识别的行为集群都显示出与BV的统计学显著关系 (p < 0.001).
结论:
- 机器学习有效地识别了与BV相关的特定高风险行为集群.
- 阴道内实践 (IVP),特别是使用阴道淋浴,与增加的BV风险密切相关.
- 这些发现可以指导制定有针对性的干预措施,以减少女性的BV,IVP和随后的HIV风险.
