HIV垂直传播预防支持项目中患者到访情况的预测难度:机器学习与社区健康工作者预测方法的比较

《ACM Journal on Computing and Sustainable Societies》:Limited Predictability of Client Attendance in a Support Program for HIV Vertical Transmission Prevention: A Comparison of Machine Learning and Community Health Worker Predictions

【字体: 大 中 小 】 时间:2026年06月16日 来源:ACM Journal on Computing and Sustainable Societies

编辑推荐:

  摘要AI总结要查看此由AI生成的总结,您需要拥有高级访问权限。了解更多信息登录摘要摘要患者出勤率对于HIV垂直传播预防项目的成功至关重要,但在参加由社区健康工作者主导的项目后,仍有23.4%的患者错过了后续就诊时间(2022年8月至12月,共24,807名患者)。如果能预测出哪些

  

摘要

摘要

患者出勤率对于HIV垂直传播预防项目的成功至关重要,但在参加由社区健康工作者主导的项目后,仍有23.4%的患者错过了后续就诊时间(2022年8月至12月,共24,807名患者)。如果能预测出哪些患者最有可能错过就诊,就可以有针对性地采取干预措施以提高患者保留率。虽然机器学习似乎很适合这项预测任务,但与社区健康工作者的判断相比,其有效性还有待研究。我们评估了三种机器学习方法——逻辑回归、平衡随机森林和梯度提升树——这些方法都是基于患者注册记录训练的(训练数据为51,297条,测试数据为18,577条),并将它们的预测结果与具有直接患者互动经验和情境认知的社区健康工作者的预测结果(61人)进行了比较。机器学习模型的预测效果较为一般,其中平衡随机森林的表现最佳(ROC AUC值为0.689)。在匹配样本中,社区健康工作者的预测结果也没有表现出很强的预测能力,不过该分析也无法排除其具备一定预测能力的可能性。定性分析发现,存在一些复杂且多变的障碍,如歧视、交通不便以及个人事务冲突等,而这些在患者注册时往往难以预料。这些研究结果表明,仅凭注册期间的信息很难准确预测患者的出勤情况。相反,或许应该将资源更多用于解决社区健康工作者所指出的系统性障碍。

AI总结

AI生成的总结(实验性)

此总结是使用自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章的实用性,以及让相关领域的读者更好地理解这篇文章。它是对作者提供的摘要的补充,而作者提供的摘要仍是文章的主要总结。完整文章才是最具权威性的版本。点击此处了解更多信息。

点击此处,可以对此总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结,您需要拥有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号