一种机器学习模型正在改变HIV患者的结核病（TB）筛查方式，在预测哪些人会发展为活动性结核病方面超越了传统的诊断方法。一项新研究分析了瑞士HIV队列研究（SHCS）和奥地利HIV队列研究（AHIVCOS）的数据，表明由人工智能驱动的预测可以显著改善早期检测和预防治疗策略。
结核病仍然是HIV感染者的主要死因之一，但目前的筛查方法往往无法识别那些最容易进展为活动性疾病的人。研究人员使用在HIV-1诊断时收集的临床数据训练了一个随机森林模型，纳入了55名在六个月内发展为结核病的个体和1,432名对照组成员的数据。该模型在初始数据集中达到了令人印象深刻的受试者工作特征曲线下面积（AUC）0.83（95% CI 0.8-0.86）。
使用AHIVCOS数据进行外部验证——包括43例结核病病例和1,005名对照——证实了该模型的稳健性。经过参数优化和调整患者人口统计信息后，该模型在SHCS和AHIVCOS中分别保持了0.72和0.67的AUC值。值得注意的是，基于人工智能的方法比标准的结核病筛查方法表现更好，其诊断所需人数较低（1.96 vs. 4），表明在识别高风险个体方面更具效率。
这些发现表明，将机器学习整合到常规HIV护理中可以在不增加额外成本或数据收集负担的情况下增强结核病预防。通过改进风险分层，这种方法可能允许更早、更有针对性地进行预防治疗，最终减少HIV感染者的结核病相关发病率和死亡率。随着人工智能驱动的医疗解决方案不断进化，它们在传染病管理方面的潜力变得越来越明显。
参考文献：Bartl L等. 基于机器学习的HIV患者活动性结核病预测。《临床感染疾病》2025:ciaf149. doi: 10.1093/cid/ciaf149. [在线提前出版]。
(全文结束)
