全球近85%的170万感染HIV的青少年生活在撒哈拉以南非洲地区，而全球近4000万HIV感染者中有一半也生活在这个地区。尽管乌干达政府免费提供抗逆转录病毒治疗（ART），但10-16岁的青少年对这种治疗的依从性较低，这增加了病毒进一步传播的可能性。
克莱尔·纳朱科（Claire Najjuuko）是华盛顿大学圣路易斯分校的一名博士生，在乌干达国际儿童健康与发展中心（ICHAD）工作时亲眼目睹了这一现象。该中心由弗雷德·M·塞瓦马拉（Fred M. Ssewamala）创立，他是华盛顿大学布朗学院的威廉·E·戈登杰出教授。目前在华盛顿大学计算与数据科学系攻读博士学位的纳朱科受到塞瓦马拉和计算机科学与工程系陈阳鲁（Chenyang Lu）教授的共同指导，希望利用人工智能和数据科学来提高低资源地区的青少年治疗依从性。研究结果于2025年2月25日在线发表在《艾滋病》杂志上。
“我对机器学习非常感兴趣，并希望将其应用于我关心的问题，”她说。“陈阳鲁教授领导的AI for Health研究所与弗雷德教授领导的国际儿童健康与发展中心之间的合作特别有助于这类创新工作。”
在陈阳鲁和塞瓦马拉的支持下，纳朱科着手开发一种机器学习模型，以预测哪些HIV青少年患者不太可能遵守抗逆转录病毒治疗。有了这样的知识，医疗保健从业者可以为那些被认为不太可能遵守治疗计划的人实施干预措施。
“目前的做法是，青少年每月或每两个月去诊所进行药物补充，医疗保健从业者会检查患者剩余的药片数量与预期数量是否相符，并询问青少年关于漏服剂量的问题，以确定患者是否遵守治疗方案，”纳朱科说。“这个预测青少年未来不依从性的项目如果正确实施，可以产生实际影响。”
为了训练模型，纳朱科使用了来自乌干达南部39个诊所的六年集群随机对照试验的数据。这些地区受HIV影响最严重。Suubi+Adherence数据集包括年龄在10-16岁之间、已知自己HIV状况、在其中一个诊所接受ART治疗并居住在一个家庭中的青少年。最终，模型分析了647名在48个月时具有完整结果数据的患者的数据。
纳朱科开发的机器学习模型通过结合社会行为和经济因素以及患者的依从历史，预测抗逆转录病毒治疗的不依从性。该模型准确识别了80%的不依从风险较高的青少年，同时将误报率降低到52%——比仅基于依从历史的模型低14个百分点。通过减少误报，该模型帮助医疗保健提供者将干预措施集中在最需要的人身上，从而改善患者的结果，同时减少不必要的随访和提供者的疲劳。
在50个变量中，包括社会、人际、家庭、教育、结构和经济因素，模型发现有12个变量最能预测个体对ART的不良依从性。经济因素与未来的不依从性高度相关。其他预测特征包括不良依从史、儿童贫困、与主要照顾者的生物关系、自我概念、储蓄信心、与照顾者讨论敏感话题、家庭规模和学校入学情况。
“在全球范围内，青少年是最不依从的群体，”塞瓦马拉说。“他们正在走向独立，不想被别人指手画脚。当他们进入约会期时，有很多污名，他们不想与HIV联系在一起。”
研究团队发现的一个与HIV青少年患者依从ART治疗相关的因素是拥有储蓄账户。
“理论是，当人们拥有资源，尤其是当他们有一个储备金时，他们的思维和行为方式会有所不同，”塞瓦马拉说。“未来充满希望，他们会更好地照顾自己，以便活得更久。当人们感到绝望时，他们没有什么可失去的。”
塞瓦马拉表示，坚持治疗很困难，因为药物必须与食物一起服用，否则会引起恶心。如果HIV患者没有食物或无法获得药物，他们就不太可能坚持治疗。
陈阳鲁表示，该模型可以在现场部署，支持基于识别的风险因素的个性化干预策略，突显了合作的重要性。
“这是华盛顿大学跨学科研究的一个优秀例子，结合了人工智能和全球健康，”陈阳鲁说。“通过利用弗雷德团队从现场收集的数据及其对复杂健康问题的见解，我们应用人工智能专业知识来分析这些数据并构建工具，以增强健康结果。”
(全文结束)
