评估机器学习算法来预测与男性发生性关系的年轻泰国男性的艾滋病毒状况
Krittaka Soha1, Sadiporn Phuthomdee2,3, Thanapat Srichai4
1Master of Biomedical Data Science program, Kasetsart University, Bangkok, Thailand.
BMJ health & care informatics
|May 16, 2025
概括
机器学习模型有效地预测了泰国与男性发生性关系 (MSM) 的年轻男性感染艾滋病毒. 用SMOTE增强的极端梯度增强 (XGB) 模型提高了针对性预防艾滋病毒的准确性.
科学领域:
- 公共卫生 公共卫生
- 机器学习 机器学习
- 流行病学 流行病学
背景情况:
- 与男性发生性关系的年轻男性 (MSM) 是艾滋病毒预防工作的关键人口.
- 泰国的全民健康覆盖 (UHC) 计划为艾滋病毒检测和数据收集提供了一个平台.
- 预测建模可以提高对艾滋病毒感染高风险个体的识别.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测年轻MSM的艾滋病毒状况.
- 在泰国UHC计划中,在这个人口群体中确定与艾滋病毒感染相关的关键因素.
主要方法:
- 利用了通过UHC计划 (2015-2022) 测试艾滋病毒的年轻MSM (15-24岁) 的数据.
- 应用ML模型包括后勤回归,k-最近邻居 (KNN),随机森林,极端梯度增强 (XGB) 和AdaBoost.
- 采用合成少数群体过量采样技术 (SMOTE) 来解决数据不平衡并提高模型灵敏度.
主要成果:
- 在146,813名年轻MSM中,有11%被诊断患有HIV.
- 在SMOTE应用后,XGB模型实现了最高的性能 (精度为0.72,灵敏度为0.73,AUC为0.72).
- 艾滋病毒感染的关键预测因素包括测试年份 (68%),年龄 (55%) 和针对性艾滋病毒测试 (54%).
结论:
- 机器学习,特别是XGB与SMOTE,显示出在年轻MSM中预测HIV感染的巨大潜力.
- 通过解决数据不平衡,可以提高模型的灵敏度和准确性.
- 这些ML工具可以帮助完善艾滋病毒风险评估,并为弱势群体提供有针对性的预防策略.
