机器学习算法的开发,以预测科纳克里 (几内亚) 艾滋病毒患者的病毒载荷抑制

科学领域:

• 艾滋病毒/艾滋病研究研究
• 医疗保健中的机器学习
• 公共卫生信息学 公共卫生信息学

背景情况:

• 病毒载量 (VL) 抑制对于控制全球艾滋病毒流行病至关重要.
• 机器学习 (ML) 提供了预测HIV护理中VL抑制的潜力.
• 在几内亚等资源有限的环境中,针对抗逆转录病毒疗法 (ART) 计划的ML存在有限的研究.

研究的目的:

• 确定几内亚科纳克里艾滋病毒感染者 (PLHIV) 中VL抑制的关键预测因素.
• 开发和评估ML模型来预测VL抑制.
• 通过预测分析,支持资源有限的环境中的ART程序.

主要方法:

• 利用来自科纳克里八个卫生机构的匿名艾滋病毒患者数据.
• 预处理的数据包括归算,重新编码和过量抽样.
• 开发并比较了支持向量机 (SVM),物流回归 (LR),天真贝叶斯 (NB),随机森林 (RF) 和堆叠模型.
• 使用灵敏度,特异性,F-score和曲线下的面积 (AUC) 评估模型性能.

主要成果:

• 随机森林 (RF) 获得了94%的F-score和82%的AUC;天真海湾 (NB) 获得了89%的F-score和82%的AUC.
• 通过RF确定的VL抑制的顶级预测因素包括:疗程表_6个月,ART的持续时间 (几个月),最后一个ARTCD4,疗程表_常规和最后一个Pre-ARTCD4.
• 无论是RF还是NB,在未见数据上预测VL抑制和非抑制方面都表现强.

结论:

• 在几内亚的艾滋病毒治疗中,ML模型可以有效地预测VL抑制.
• 模型性能取决于数据质量,并且可能具有有限的概括性.
• 未来的研究应该探索不同的背景和临床应用开发.