国科学家：机器学习模型可预测艾滋感染者的高脂血症

红枫湾APP：5月21日，发表在《艾滋病》杂志上的一项研究显示，机器学习模型，尤其是LightGBM，能够有效预测接受高效抗逆转录病毒治疗（HAART）6个月的HIV感染者（PLWH）的高脂血症，在预防PLWH心血管疾病方面大有可为。

全球约有4000万HIV携带者，其中约3070万人正在接受HAART，他们因HIV感染而面临更高的健康并发症风险，包括心血管疾病。

过去已经建立了使用机器学习算法的预测模型，以预测患者患某种疾病的可能性，这对更易患其他多种疾病的HIV携带者来说是有帮助的。

本研究旨在评估机器学习算法在预测接受HAART至少6个月的PLWH高脂血症方面的有效性。

高脂血症被定义为血浆中至少有一种脂质高于正常值，任何符合此标准的参与者都被认为患有高脂血症。

该研究是在中国北京地坛医院进行的，2479名参与者均在2015年1月-2023年1月期间在医院就诊，并按7:3的比例分为训练组和测试组。所有入选的受试者年龄均在18岁或以上，并且已经接受6个月的HAART治疗。任何怀孕、婴儿或未满18岁的个人均被排除在研究之外。

研究通过医院的电子健康系统收集临床数据。其中96.01%为男性，平均年龄为33岁，其中有1196名参与者被诊断为高脂血症。

研究人员使用其他机器学习技术创建了预测框架。准确性、阳性预测值（PPV）、阴性预测值（NPV）、特异性、敏感性和kappa系数均用于评估性能。

研究人员测试了5种不同的机器学习模型，以准确预测高脂血症的发病率。研究发现，LightGBM模型在所有测试中均表现出最佳的临床能力，准确率为0.7219，PPV为0.7539，NPV为0.7004，特异性为0.8087，敏感性为0.6289，kappa为0.44，曲线下面积（AUC）为0.780。所有机器学习模型的准确率都超50%上，且大多数模型的AUC都大于0.7。这表明任何机器学习模型都能够预测高脂血症，其中LightGBM模型最有效。

本研究存在一些局限性。在评估参与者的高脂血症总体风险时，仅考虑了他们的风险因素，而未纳入与生活方式相关的其他因素，如吸烟和饮酒。基于机器学习分类算法的预测模型尚未实施或调整。几乎所有的参与者都是男性，这限制了女性的普遍性。所研究的预测模型没有收到外部验证。

研究人员得出结论，机器学习可成为预测PLWH高脂血症的新方法，尤其是对于那些新接受HAART治疗的患者。这可以“及时调整治疗方案，以降低该人群心血管疾病的发病率。