针对艾滋病毒,梅毒,淋病和克拉米迪亚的个性化风险评估的机器学习:系统性审查和元分析
Phyu M Latt1, Nyi N Soe1, Christopher K Fairley2
1Artificial Intelligence and Modelling in Epidemiology Program, Melbourne Sexual Health Centre, Alfred Health, Melbourne, Australia; School of Translational Medicine, Faculty of Medicine, Nursing and Health Sciences, Monash University, Melbourne, Australia.
概括
机器学习模型对预测性传播感染 (STI) 风险,特别是艾滋病毒的风险充满希望. 然而,显著的数据变化使得它们的解释和广泛的临床使用变得复杂.
科学领域:
- 公共卫生 公共卫生
- 生物统计学 生物统计学
- 传染病流行病学 传染病流行病学
背景情况:
- 机器学习 (ML) 显示了预测性传播感染 (STI) 风险的潜力.
- 关于ML对STI风险预测有效性的现有系统证据是分散的.
- 需要进行全面的审查,以巩固当前的发现.
研究的目的:
- 系统地评估监督机器学习模型的性能,以预测STI风险.
- 综合现有证据,以ML为基础的STI风险预测的准确性和可靠性.
主要方法:
- 在六个数据库,三个预印档案和会议记录 (2010年1月至2024年4月) 中进行了系统的文献搜索.
- 包括报告监督的基于ML的STI风险预测模型定量绩效指标的研究.
- 使用双变随机效应模型来估计聚合的灵敏度,特异性和曲线下的面积 (AUC),并使用预测模型风险偏差评估工具评估偏差风险.
主要成果:
- 使用45个独特的ML模型进行的25项研究符合纳入标准.
- 对于艾滋病毒风险预测,模型显示总结AUC为0.91,聚合灵敏度为0.84和特异性为0.84.
- 对于其他性传播感染,报告的AUC有所变化:梅毒 (0.75-0.87),淋病 (0.73-1.00) 和克拉米迪亚 (0.67-1.00),观察到实质性的异质性 (I2 > 98%).
结论:
- ML模型在STI风险预测方面表现出有前途的表现,特别是在HIV方面.
- 研究之间显著的异质性需要谨慎地解释当前的发现.
- 未来的研究应该集中在外部验证,标准化指南和强大的实施研究上,以评估临床影响.
