
-
生物通官微
陪你抓住生命科技
跳动的脉搏
综述:机器学习、减少伤害与注射毒品者中的丙型肝炎消除:预测性与精准公共卫生方法的系统综述
《SN Comprehensive Clinical Medicine》:Machine Learning, Harm Reduction, and Hepatitis C Elimination Among People Who Inject Drugs: A Systematic Review of Predictive and Precision Public-Health Approaches
【字体: 大 中 小 】 时间:2026年10月09日 来源:SN Comprehensive Clinical Medicine
编辑推荐:
摘要背景注射吸毒者(PWID)承担着最沉重的丙型肝炎病毒(HCV)感染残余负担。因此,他们对于世界卫生组织(WHO)到2030年将病毒性肝炎作为公共卫生威胁予以消除的目标而言,是关键人群。目前,具有治愈作用的直接作用抗病毒药物(DAA)、扩大规模的减害服务以及新的数据驱动工具
注射吸毒者(PWID)承担着最沉重的丙型肝炎病毒(HCV)感染残余负担。因此,他们对于世界卫生组织(WHO)到2030年将病毒性肝炎作为公共卫生威胁予以消除的目标而言,是关键人群。目前,具有治愈作用的直接作用抗病毒药物(DAA)、扩大规模的减害服务以及新的数据驱动工具已同时可用。这些工具包括机器学习(ML)和精准公共卫生方法。它们可能有助于更有效地指导预防、检测、治疗和监测工作。
系统性地识别和综合那些将机器学习或预测分析、减害干预措施或精准公共卫生方法(包括分子流行病学和传播建模)应用于PWID中HCV感染的相关原始研究。次要目标是对这些研究如何共同促进消除HCV进行梳理。
使用预定义的布尔检索策略,针对四个主题面向,在PubMed中检索自2020年1月1日起发表的研究记录。依据预先设定的纳入标准对标题、摘要和全文进行筛选。共有40项原始研究符合纳入标准。这些研究的设计类型包括队列研究、病例对照研究、横断面研究、随机研究、监测研究、分子流行病学研究、传播建模研究和经济评估研究。系统综述、荟萃分析和仅含定性研究的研究被排除在外。数据被整理为结构化数据集,并围绕四个主题支柱进行叙述性综合。报告遵循系统综述和荟萃分析首选报告项目(PRISMA)2020声明。
这40项研究分为四个支柱:机器学习与人工智能(AI)预测工具(n = 12)、PWID中减害与HCV队列研究(n = 14)、消除与传播建模(n = 10),以及分子或基因组流行病学(n = 4)。在12项机器学习研究中,仅有2项是在PWID人群或服务中开展的。其余10项使用了普通HCV临床、实验室或社区数据集。在一项大型临床登记研究中,机器学习模型对DAA治疗失败的预测优于逻辑回归(C统计量最高达0.75,而逻辑回归为0.51)。其他模型对治愈后肝细胞癌(HCC)的风险进行了分层评估(C指数0.80–0.90;曲线下面积最高达0.94)。在模拟试验分析中,综合针具和注射器项目(NSP)联合阿片受体激动剂治疗(OAT)与HCV获得风险降低76–84%相关(风险比0.16–0.24)。在五个队列研究中,清除或治愈后观察到的再感染发生率范围为每100人年3.9至13.3例。此外,英国一项基于模型的分析估计平均年再感染风险为14.2%。该模型估计的概率与观察到的发生率不具直接可比性。传播模型一致认为,任何单一干预措施都无法达到WHO目标。将检测、治疗和减害相结合,并优先针对有多名注射同伴的人群,可提高预期的干预效果。分子研究识别出适合针对性干预的传播簇,包括通过现场可部署的纳米孔测序技术实现。
预测和精准工具正在从概念验证向实际操作应用过渡。然而,大多数机器学习证据来自普通HCV人群,尚未在PWID中进行验证。这些工具只有与强有力的减害措施和不受限制的治疗可及性相结合时,才可能有助于消除HCV。我们提出一个"精准消除"框架,将机器学习与减害措施和分子监测相结合。该框架前景可期,但目前仍处于假设阶段,需要前瞻性验证。这种验证在中东和南亚等研究不足的背景下尤为迫切。
不适用。本研究是对已发表文献的系统综述,并非临床试验。因此,无适用的临床试验注册号。
注射吸毒者(PWID)承担着最沉重的丙型肝炎病毒(HCV)感染残余负担。因此,他们对于世界卫生组织(WHO)到2030年将病毒性肝炎作为公共卫生威胁予以消除的目标而言,是关键人群。目前,具有治愈作用的直接作用抗病毒药物(DAA)、扩大规模的减害服务以及新的数据驱动工具已同时可用。这些工具包括机器学习(ML)和精准公共卫生方法。它们可能有助于更有效地指导预防、检测、治疗和监测工作。
系统性地识别和综合那些将机器学习或预测分析、减害干预措施或精准公共卫生方法(包括分子流行病学和传播建模)应用于PWID中HCV感染的相关原始研究。次要目标是对这些研究如何共同促进消除HCV进行梳理。
使用预定义的布尔检索策略,针对四个主题面向,在PubMed中检索自2020年1月1日起发表的研究记录。依据预先设定的纳入标准对标题、摘要和全文进行筛选。共有40项原始研究符合纳入标准。这些研究的设计类型包括队列研究、病例对照研究、横断面研究、随机研究、监测研究、分子流行病学研究、传播建模研究和经济评估研究。系统综述、荟萃分析和仅含定性研究的研究被排除在外。数据被整理为结构化数据集,并围绕四个主题支柱进行叙述性综合。报告遵循系统综述和荟萃分析首选报告项目(PRISMA)2020声明。
这40项研究分为四个支柱:机器学习与人工智能(AI)预测工具(n = 12)、PWID中减害与HCV队列研究(n = 14)、消除与传播建模(n = 10),以及分子或基因组流行病学(n = 4)。在12项机器学习研究中,仅有2项是在PWID人群或服务中开展的。其余10项使用了普通HCV临床、实验室或社区数据集。在一项大型临床登记研究中,机器学习模型对DAA治疗失败的预测优于逻辑回归(C统计量最高达0.75,而逻辑回归为0.51)。其他模型对治愈后肝细胞癌(HCC)的风险进行了分层评估(C指数0.80–0.90;曲线下面积最高达0.94)。在模拟试验分析中,综合针具和注射器项目(NSP)联合阿片受体激动剂治疗(OAT)与HCV获得风险降低76–84%相关(风险比0.16–0.24)。在五个队列研究中,清除或治愈后观察到的再感染发生率范围为每100人年3.9至13.3例。此外,英国一项基于模型的分析估计平均年再感染风险为14.2%。该模型估计的概率与观察到的发生率不具直接可比性。传播模型一致认为,任何单一干预措施都无法达到WHO目标。将检测、治疗和减害相结合,并优先针对有多名注射同伴的人群,可提高预期的干预效果。分子研究识别出适合针对性干预的传播簇,包括通过现场可部署的纳米孔测序技术实现。
预测和精准工具正在从概念验证向实际操作应用过渡。然而,大多数机器学习证据来自普通HCV人群,尚未在PWID中进行验证。这些工具只有与强有力的减害措施和不受限制的治疗可及性相结合时,才可能有助于消除HCV。我们提出一个"精准消除"框架,将机器学习与减害措施和分子监测相结合。该框架前景可期,但目前仍处于假设阶段,需要前瞻性验证。这种验证在中东和南亚等研究不足的背景下尤为迫切。
不适用。本研究是对已发表文献的系统综述,并非临床试验。因此,无适用的临床试验注册号。