机器学习算法的应用用于预测艾滋病毒检测,使用来自2002-2017年南非成人人口调查的证据:一种艾滋病毒检测预测模型

科学领域:

• 公共卫生 公共卫生
• 流行病学 流行病学
• 机器学习 机器学习

背景情况:

• 南非人口中很大一部分人未知艾滋病毒状况,这阻碍了疫情控制工作.
• 现有的预测模型不足以指导南非的针对性艾滋病毒检测干预措施.
• 机器学习 (ML) 提供了识别艾滋病毒感染风险较高的个体的潜力,为测试建议提供了信息.

研究的目的:

• 通过使用监督机器学习 (SML) 算法,确定南非成年人中艾滋病毒检测的一致预测因素.
• 评估四个SML算法 (决策树,随机森林,SVM,物流回归) 在基于人口的调查数据上的性能.
• 为提高艾滋病毒检测效率和实现联合国艾滋病规划署2030年目标提供数据驱动的政策倡议信息.

主要方法:

• 利用南非国家艾滋病毒流行,发病率,行为和沟通调查 (SABSSM) 数据集,从五个横截面周期.
• 应用了四种SML算法:决策树,随机森林,支持向量机 (SVM) 和后勤回归.
• 雇佣了80%的培训和20%的测试,每个数据集的5倍交叉验证.

主要成果:

• 随机森林在所有数据集中表现出卓越的性能,实现了最高的准确性,精度,F1得分和AUC.
• 艾滋病毒检测的关键预测因素包括对检测地点的了解,女性,年龄较小,高社会经济地位和数字信息获取.
• SVM显示了高回忆率,但精度较低,而物流回归和决策树的性能中等,决策树容易过度拟合.

结论:

• 监督机器学习,特别是随机森林,有效地识别了南非艾滋病毒检测的预测因素.
• 有针对性的干预措施应侧重于提高对测试场所的认识,利用数字平台,并解决社会经济因素.
• 通过数据驱动的策略来提高艾滋病毒检测的有效性,对于南非朝着联合国艾滋病规划署2030年目标的进步至关重要.