使用机器学习和名谱预测艾滋病毒感染者的疾病进展:基于中国新疆的10年队列研究
Qianru Mao1, Qian He1, Yongkang Ni1
1Xinjiang Medical University, Urumqi, Xinjiang, China.
BMJ open
|November 17, 2025
概括
机器学习模型,包括XGBoost,有效地预测了人类免疫缺陷病毒 (HIV) 感染者的获得性免疫缺陷综合征 (AIDS) 进展. 一个开发出来的名录图有助于快速评估风险,以便及时干预.
科学领域:
- 医疗信息学 医疗信息学
- 流行病学 流行病学
- 医疗保健中的机器学习
背景情况:
- 传统的统计模型在预测人类免疫缺陷病毒 (HIV) 患者获得性免疫缺陷综合征 (AIDS) 进展方面存在局限性.
- 开发先进的预测工具对于及时干预和改善患者结果至关重要.
研究的目的:
- 开发和比较四种用于预测艾滋病进展的机器学习模型.
- 为确定与艾滋病进展相关的风险因素,创建一个临床适用的名录.
主要方法:
- 一项对2305名新诊断的艾滋病毒感染患者的回顾性队列研究,在中国的宁城 (2013-2022年).
- 支持矢量机,随机森林,物流回归和极端梯度增强 (XGBoost) 模型的开发和评估.
- 创建基于通过单变量和多变量分析识别的显著预测因子的nomogram.
主要成果:
- 极端梯度增强 (XGBoost) 模型实现了最高的预测性能 (AUC:0.877).
- 艾滋病进展的重要预测因素包括世卫组织的临床阶段,CD4细胞计数,HIV传播途径,血小板计数和血红蛋白水平.
- 开发的诺米图表显示出良好的预测能力 (AUC:0.840) 和潜在的临床实用性.
结论:
- 在这个队列中,XGBoost模型为预测艾滋病进展提供了卓越的性能.
- 拟议的名图可以作为临床环境中快速风险评估的实用工具.
- 建议加强监测和及时干预低CD4计数的患者,以改善结果.
