整合机器学习与生成式人工智能用于HIV风险分层及个性化PrEP推荐的健康信息学框架

《Informatics》:A Health Informatics Framework for Integrating Machine Learning and Generative AI in HIV Risk Stratification and Personalized PrEP Recommendation

【字体: 大 中 小 】 时间:2026年07月01日 来源:Informatics 2.8

编辑推荐:

  背景:尽管暴露前预防(pre-exposure prophylaxis, PrEP)对HIV预防高度有效,但在常规及数字化健康环境中,识别可能受益于PrEP的人群并提供个性化预防推荐仍然具有挑战性。目的:本研究旨在开发并初步评估一种整合机器学习(Machine

  
背景:尽管暴露前预防(pre-exposure prophylaxis, PrEP)对HIV预防高度有效,但在常规及数字化健康环境中,识别可能受益于PrEP的人群并提供个性化预防推荐仍然具有挑战性。目的:本研究旨在开发并初步评估一种整合机器学习(Machine Learning, ML)进行HIV风险分层、整合生成式人工智能(Generative Artificial Intelligence, GenAI)提供个性化PrEP推荐支持的集成人工智能框架。方法:研究人员使用来自Love2Test平台的2000份去标识化客户档案的概念验证数据集进行模型开发。领域专家依据结构化行为信息将档案标注为低或高HIV感染风险。研究人员使用PyCaret训练并比较多种ML分类器,将选定模型通过结构化提示(structured prompting)与生成式AI模型集成以生成个性化PrEP推荐内容。研究人员通过4名独立医师的结构化评估对集成框架进行评价。结果:所选模型在区分高与低HIV感染风险方面显示出较强的内部判别能力。集成框架在固定及随机选取的档案中,在临床准确性、解释有效性、情境相关性及错误最小化方面均获得医师的有利评价。但由于专家标注基于与模型输入密切相关的结构化行为指标,较高的内部性能应在此概念验证研究的背景下予以理解。结论:所提出的框架为临床对齐(clinician-aligned)方式支持HIV风险分层和个性化PrEP推荐提供了结构化方法。但本研究为离线概念验证,未直接评估患者交互、PrEP启用、污名、依从性或临床结局。需要使用更大更具代表性的真实世界数据集进行前瞻性研究,以评估实施情况、可推广性及对服务参与和PrEP启动的影响。
论文解读:整合机器学习与生成式人工智能用于HIV风险分层及个性化PrEP推荐的健康信息学框架
研究背景与立题依据
HIV仍是全球重大公共卫生挑战,2023年全球新发感染达130万例,实现UNAIDS 95-95-95终结流行目标需大幅提升暴露前预防(pre-exposure prophylaxis, PrEP)的采纳率。PrEP服药依从情况下可降低性行为HIV感染风险约99%,但实际影响受限于识别适用人群及提供个性化建议的困难。传统HIV风险评估依赖医务人员手动评估,难以捕捉复杂行为模式导致漏诊;既往机器学习(Machine Learning, ML)研究多聚焦于预测分类性能(如电子健康记录EHR或监测数据建模,AUC可达0.84~0.88),较少关注如何将模型输出转化为面向用户、情境感知的个性化沟通内容以支持数字健康场景下的决策。同时,生成式人工智能(Generative Artificial Intelligence, GenAI)如大语言模型(Large Language Model, LLM)已开始用于健康沟通支持,但尚无研究将ML风险分层与GenAI结合在同一健康信息学框架内生成个性化PrEP推荐。泰国关键人群(男男性行为者men who have sex with men, MSM;跨性别女性transgender women, TGW等)HIV负担重,PrEP覆盖率仅达国家目标的41%,亟需数字化辅助筛查与推荐工具。因此,研究人员开展本研究以构建并初步评估集成ML与GenAI的HIV风险分层及个性化PrEP推荐健康信息学框架,论文发表于《Informatics》。
主要技术方法与数据来源
研究人员采用泰国全国性数字性健康平台Love2Test.org于2024年9月至2025年7月收集的初筛16,982份问卷记录,经排除超龄(18~65岁外)、缺失值及去除重复行为画像后剩4133份唯一行为档案,再按年龄组、性别认同及地理区域分层随机抽样2000份用于专家标注与监督学习。12项结构化行为变量(如性伴性别、性行类型、安全套使用一致性、近6个月细菌性STI诊断、注射吸毒、群交/性派对、商业性行为等)加年龄与地区共14个特征。两名感染科专家根据CDC指导行为指标标注低/高HIV风险(低664,高1336)。数据集按8:2分为训练集(应用SMOTE过采样少数类)与独立测试集。使用PyCaret 3.3.2自动ML比较14种分类器,选定梯度提升分类器(Gradient Boosting Classifier)集成至四层系统架构(用户交互层—数据采集层—ML风险推断层—GenAI推荐层),GenAI引擎采用OpenAI o1-mini通过结构化提示(无微调)结合ML输出与客户属性生成自然语言PrEP推荐,由4名独立医师对50份推荐(25固定+25随机)按临床准确性、解释有效性、错误最小化、情境相关性进行5级Likert评分及系统层面合意性、可行性、可持续性评价。
研究结果
3.1. ML Model Evaluations(机器学习模型评估)
研究人员比较多种分类器训练与测试性能,极端梯度提升(Extreme Gradient Boosting)训练AUC最高(0.9906),但测试集上Gradient Boosting Classifier与Random Forest Classifier表现接近(准确率Accuracy均为0.9475)。最终选用Gradient Boosting Classifier(测试集AUC 0.9848,Kappa 0.8844,Matthews Correlation Coefficient MCC 0.8848)。混淆矩阵显示测试集400例中误判低风险为高风险8例、高风险为低风险13例。特征重要性分析表明"多性伴(multiple partners)"贡献最大,其次为"肛交(anal sex)"及"安全套使用(condom use)"。需注意标签源于与输入高度相关的结构化行为指标,高性能属专家知情概念验证的内部判别能力。
3.2. Integrated Framework of Machine Learning and Generative AI Performance Evaluation Using Professional Opinion Scoring(ML-GenAI集成框架的医师专业评分评价)
固定25个档案推荐评价:临床准确性均值4.77、解释有效性4.62、错误最小化4.54、情境相关性4.65(满分5)。随机25个档案评分相近,显示GenAI生成内容在临床合理性与情境适配性上一致。医师总体评价合意性4.50、可行性4.75、可持续性4.50,认为可作为临床对齐辅助工具但须有人工监督,建议强化STI病史权重、区分群交伴/不伴化学性快感(chemsex)风险差异、避免冗余措辞。局限性含医师人数少、无对照条件、属初步可接受度证据。
讨论与结论翻译总结
讨论指出本框架将结构化行为风险模式转化为个性化推荐内容,弥补单纯风险分类不足,模块化四层架构符合健康信息学互操作性原则可供其他数字健康领域移植。局限性包括单平台泰国数据限制外推、自评行为偏倚、标签与输入概念循环致高性能需外部验证、GenAI未做提示敏感性及失败模式分析、存在13例假阴性(高危判为低危)需优化阈值或代价敏感学习优先召回高危组、未评估患者实际使用结局(PrEP启动、坚持、参与率)且为离线概念验证。研究由Gilead Sciences资助,但分析由学术方主导且代码公开,推荐内容为无品牌非处方建议。未来需多人群外部验证及前瞻性实施研究评估PrEP启用、坚持与随访参与等实世界指标。
结论:本研究提出并初步评估了一种整合ML与GenAI用于数字健康平台中HIV风险分层及个性化PrEP推荐的健康信息学框架。四层架构(数据采集、风险推断、推荐生成、用户交互)展示了将AI驱动临床决策支持嵌入社区数字预防服务的模块化方案。概念验证评估中框架显示出较强内部判别力并获得医师对推荐质量的有利评价。未来应使用更大代表性数据集评估系统,并在前瞻性实施环境中考察其性能、可用性、互操作性及实际影响。
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