利用机器学习来预测PrEP在性和性别少数群体年轻人中的使用情况

科学领域:

• 数字健康数字健康
• 机器学习在公共卫生中的应用
• 预防艾滋病毒 预防艾滋病毒

背景情况:

• 暴露前预防 (PrEP) 是一种关键的艾滋病毒预防工具,但面临着未充分利用,特别是在年轻的性和性别少数群体 (SGM) 中.
• 约会和社交媒体应用程序在年轻的SGM中很受欢迎,为有针对性的健康干预提供了机会.
• 利用移动技术可以弥合在获取和遵守艾滋病毒预防方法方面的差距.

研究的目的:

• 开发和评估一种机器学习 (ML) 模型,用于预测年轻SGM中PrEP使用情况.
• 评估在各种移动应用使用数据上训练的ML模型的预测准确性.
• 为开发数据驱动干预措施提供信息,以改善PrEP的吸收和坚持.

主要方法:

• 调整了eWellness Android应用程序,以被动收集来自参与者的移动应用程序使用情况,按键模式和GPS位置数据 (2021-2024).
• 训练了一种ML模型,使用收集的数据来预测自我报告的PrEP使用状态.
• 使用F1分数评估模型准确性,比较基于不同数据特征组合的模型.

主要成果:

• 结合所有移动应用程序 (消息传递,约会,社交媒体) 的数据的ML模型实现了高预测准确性 (PrEP使用的F1分数为0.84,不使用的F1分数为0.82).
• 仅使用社交媒体使用,风险行为语言或位置监控的模型显示预测准确性较低.
• 结合所有移动应用程序使用数据,与单个数据类型或其他组合相比,产生了更好的预测性能.

结论:

• 机器学习可以根据他们的移动应用活动准确地预测年轻SGM个体的PrEP使用状态.
• 研究结果支持针对使用社交媒体和约会应用程序的年轻SGM开发个性化的PrEP推广策略.
• 未来的研究应该探索各种SGM子组的模型适应性,以改进干预策略.