在埃塞俄比亚冈达尔使用机器学习预测PLWHIV的营养不良

科学领域:

• 医疗保健中的人工智能
• 公共卫生信息学 公共卫生信息学
• 营养流行病学 营养流行病学

背景情况:

• 人类免疫缺陷病毒 (HIV) 仍然是一个全球卫生危机,不成比例地影响撒哈拉以南非洲.
• 营养不良是艾滋病毒感染者 (PLWHIV) 常见的并发症,恶化免疫抑制和疾病进展.
• 本研究调查了机器学习 (ML) 的使用,以评估营养状况和预测PLWHIV的营养不良风险.

研究的目的:

• 应用机器学习模型来评估PLWHIV的营养状况.
• 使用ML技术预测PLWHIV中营养不良的风险.
• 评估不同ML模型在识别营养不良风险因素方面的表现.

主要方法:

• 在埃塞俄比亚冈达尔大学综合和专业医院 (University of Gondar Comprehensive and Specialized Hospital,Ethiopia) 进行了一项量化,横截面研究,对4152名PLWHIV患者进行了ART诊所的治疗.
• 数据包括人口,临床,血液学,免疫学和与治疗相关的因素. 预处理涉及归算,编码和缩小维度.
• 训练了ML模型 (80:20分) 并使用准确度,精度,回忆,F1分数和AUC进行评估,使用合成少数群体过量采样技术 (SMOTE) 提高性能.

主要成果:

• 大多数参与者年龄在48-57岁之间 (32.9%),女性 (59.5%) 和城市居民 (76.5%).
• 营养状况:62.8%的BMI正常,17.6%的超重,15.2%的体重不足,4.4%的肥胖.
• 使用SMOTE增强的支持矢量机 (SVM) 模型实现了最高的性能 (80.1%准确度,80.4%精度,80.1%回忆,79.4%F1得分,0.92AUC). 关键预测因素包括ART持续时间,BMI,治疗坚持程度和WHO阶段.

结论:

• 机器学习模型提供了一种强大的方法来预测PLWHIV的营养不良风险.
• 将ML工具集成到日常护理中,特别是电子医疗记录,可以显著改善资源有限的环境中的营养管理.
• 建议进行进一步的研究以验证这些发现,并优化ML模型的临床部署以预测营养不良.