预测艾滋病毒感染者的抗逆转录病毒治疗免疫不响应:基于机器学习的多中心大规模研究
Suling Chen1,2, Lixia Zhang1,2,3, Jingchun Mao1,2
1Department of Infectious Diseases, Nanfang Hospital, Southern Medical University, Guangzhou, China.
Frontiers in cellular and infection microbiology
|March 26, 2025
概括
在艾滋病毒感染者 (PLWH) 中预测免疫不响应 (INR) 是至关重要的. 一个新的随机森林模型准确地识别了INR的早期指标,有助于及时进行临床干预,以获得更好的结果.
科学领域:
- 免疫学 免疫学 免疫学
- 传染性疾病 传染性疾病
- 机器学习在医学中的应用
背景情况:
- 高活性抗逆转录病毒疗法 (HAART) 改善了艾滋病毒的预后,但有些患者经历了免疫不响应 (INR),导致结果不佳.
- 对INR的早期预测和干预仍然具有挑战性,特别是在中国南部.
- INR与艾滋病毒感染者 (PLWH) 的死亡率增加和预后较差有关.
研究的目的:
- 确定接受HAART的PLWH中INR的独立预测因子.
- 开发和验证用于早期INR预测的机器学习模型.
- 评估随机森林模型对INR预测和干预的有用性.
主要方法:
- 后勤多变量回归和受限立方线 (RCS) 用于确定1577个PLWH中的INR预测因子.
- 通过使用内部和外部数据集开发和验证了多种机器学习模型.
- 使用ROC曲线,校准曲线和决策曲线分析 (DCA) 评估性能,并使用SHAP值来解释模型.
主要成果:
- 基线和随访CD4+T细胞计数和血红蛋白水平是INR的独立预测因素.
- RCS分析揭示了CD4+T细胞,血红蛋白和INR之间的非线性关系.
- 随机森林模型显示出高预测准确度 (ROC区域0.8660.943) 和强大的校准,早期CD4+T细胞计数和CD4/CD8比率是关键预测因素.
结论:
- 随机森林模型可以有效地预测PLWH中的INR.
- 这种模型有助于临床医生在INR的早期预测和干预.
- 改善INR的早期预测可以导致PLWH的更好的管理和结果.


