可解释的人工智能驱动的机器学习模型对乌干达患者预测HIV病毒非抑制的比较分析:回顾性跨部门研究
Francis Ngema1, Albert Whata2, Micheal O Olusanya3
1Centre of Applied Data Science, University of Johannesburg, Johannesburg, South Africa.
JMIR AI
|December 8, 2025
概括
机器学习准确地预测了乌干达的HIV病毒非抑制. 坚持性评估是关键的预测因素,使艾滋病毒感染者能够接受抗逆转录病毒治疗的有针对性的干预措施.
科学领域:
- 机器学习在公共卫生中的应用
- 人工智能在医学中的应用
- 艾滋病毒/艾滋病研究研究
背景情况:
- 抑制艾滋病毒对患者健康和减少传播至关重要.
- 由于艾滋病毒/艾滋病,乌干达面临着重大的公共卫生挑战.
- 可解释性AI (XAI) 尚未得到充分利用,这限制了HIV模型的透明度.
研究的目的:
- 开发和比较ML模型,以预测乌干达艾滋病毒患者在ART治疗中的病毒非抑制.
- 应用XAI技术来识别关键预测因素并提高模型的解释性.
- 展示临床实用性的人口层面和个人层面的洞察力.
主要方法:
- 1101名在乌干达接受ART治疗的患者的回顾性分析 (2016年6月至2018年4月).
- 比较了8个ML算法,使用XGBoost作为表现最好的模型.
- 采用XAI技术 (SHAP) 进行全球和本地预测解释.
主要成果:
- XGBoost 模型实现了高性能 (AUC 0.80,精度 0.89).
- 坚持性评估是病毒不抑制的最强有力的预测因素.
- 年龄组,城市居住和ART持续时间也是重要的预测因素.
结论:
- XGBoost模型有效地预测了乌干达艾滋病毒患者的病毒非抑制.
- XAI认为依从是主要的风险因素,指导干预.
- 透明的ML模型可以在资源有限的环境中改善临床决策.
