几乎85%的170万感染HIV的青少年生活在撒哈拉以南非洲，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至16岁的青少年对这一治疗方案的依从性很低，增加了病毒进一步传播的风险。
克莱尔·纳朱库（Claire Najjuuko）是华盛顿大学的一名博士生，她在乌干达国际儿童健康与发展中心（ICHAD）担任数据管理员时亲眼目睹了这种情况。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，纳朱库正在华盛顿大学计算与数据科学系攻读博士学位，她的导师包括塞瓦马拉和计算机科学与工程系的陈阳鲁教授。她希望利用人工智能和数据科学来改善资源匮乏地区的青少年对治疗的依从性。这项研究的结果于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，并希望将其应用于直接与我相关的问题。陈阳鲁教授领导的人工智能健康研究所和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支持这种创新工作。”纳朱库说。
在陈阳鲁和塞瓦马拉的支持下，纳朱库着手开发一个机器学习模型，以预测哪些HIV青少年患者可能不依从抗逆转录病毒治疗。有了这样的知识，医疗工作者可以为那些被识别为不太可能依从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领取药物补充，并由医疗工作者检查患者剩余药片的数量是否符合预期，同时询问青少年有关错过剂量的问题，以确定患者是否依从治疗。”纳朱库说。“这个预测青少年未来不依从性的项目如果正确实施，将产生实际影响。”
为了训练模型，纳朱库使用了来自乌干达南部39个诊所为期六年的随机对照试验数据，该地区受HIV影响最为严重。Suubi+Adherence数据集包括年龄在10至16岁之间、医学诊断为HIV阳性、了解自己病情、在其中一个诊所注册接受ART并且生活在家庭中的青少年。最终，模型分析了48个月后有完整结果数据的647名患者的资料。
纳朱库开发了一个机器学习模型，通过结合社会行为和经济因素以及患者的依从性历史来预测抗逆转录病毒治疗的不依从性。该模型准确地识别了80%有不依从风险的青少年，同时将误报率降低到52%，比仅基于依从性历史的模型低14个百分点。通过减少误报，该模型帮助医疗工作者将干预措施集中在最需要的人身上，从而提高患者预后，同时减少不必要的随访和医疗工作者的疲劳。
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的依从性历史；儿童贫困；与主要看护人的生物关系；自我概念；储蓄信心；与看护人讨论敏感话题；家庭规模；以及学校入学情况。
“青少年是全球最不依从的群体，”塞瓦马拉说。“他们正在走向独立，不愿意被人指使。随着进入恋爱期，他们面临着很多耻辱感，不愿与HIV联系在一起。”
团队发现的一个与HIV青少年依从ART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蓄金时，他们的思考和行为方式会不同，”塞瓦马拉说。“未来充满希望，他们会照顾好自己，以便活得更久。当人们感到绝望时，他们没有什么可失去的。”
塞瓦马拉说，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，他们就不太可能依从治疗。
陈阳鲁表示，该模型可以在现场部署，以支持基于识别的风险因素的个性化干预策略，强调了合作的重要性。
“这是华盛顿大学跨学科研究的一个很好的例子，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)
