基于因果森林双机器学习评估结核病预防治疗对ART依从性的异质性影响

本研究针对结核病预防治疗(TPT)对艾滋病抗逆转录病毒治疗(ART)依从性影响不明确的问题，采用因果森林双机器学习(DML)方法分析埃塞俄比亚4152例HIV患者数据。研究发现TPT启动使ART依从概率平均降低3.14个百分点(ATE=-0.0314)，但存在显著个体差异：WHO分期较晚、ART持续时间较长、BMI较高或年龄较大的患者表现出更好的依从性响应。研究为个性化TPT部署提供了循证依据，同时展示了因果机器学习在观察性健康数据中的创新应用价值。

　　

在全球艾滋病防治领域，抗逆转录病毒治疗(ART)依从性始终是决定疗效的关键因素。尽管结核病预防治疗(TPT)被世界卫生组织(WHO)推荐为艾滋病病毒感染者(PLHIV)的常规干预措施，但其对ART依从性的影响却存在争议——额外用药可能增加治疗负担导致依从性下降，也可能因加强医疗关注而提升服药积极性。传统统计方法难以捕捉这种复杂关系中的非线性效应和个体差异，亟需更先进的因果推断方法揭示真相。

埃塞俄比亚贡达尔大学综合专科医院的研究团队创新性地应用因果森林双机器学习(DML)方法，分析了2005-2024年间4152例HIV患者的电子医疗记录(EMR-ART)。研究通过随机森林建模和正交化处理，在控制年龄、WHO分期、CD4计数等31个混杂因素后，首次精确量化了TPT对ART依从性的异质性影响。论文发表在《Scientific Reports》上，为临床决策提供了重要循证依据。

研究采用三项关键技术：1)基于电子病历的观察性研究设计，纳入4152例≥15岁的HIV患者纵向数据；2)因果森林DML框架，结合随机森林回归器和分类器分别建模结局和干预分配；3)条件平均处理效应(CATE)分析，通过SHAP值评估特征重要性。研究通过80/20数据分割和倾向评分修剪(20-80%)确保模型稳健性。

描述性统计

队列显示71.2%接受TPT，87%达到良好ART依从性。患者主要为女性(59.5%)、已婚(65%)、城市居民(76.5%)，多数处于工作状态(93%)且病毒抑制良好(96.5%)。

模型比较结果

因果森林DML展现出最优性能，其ATE估计(-0.0314)的置信区间(-0.0373,-0.0254)较逻辑回归和倾向评分匹配更窄，证实该方法能更精确捕捉处理效应。

异质性分析

TPT非启动者表现出更广泛的效应分布(IQR:-0.1~0.1)，而接受TPT者效应更集中(IQR:-0.05~0.05)。WHO分期和CD4分层分析显示临床严重程度与效应大小无显著关联。

特征重要性

年龄、BMI、ART持续时间正向预测TPT效果，而CD4²、功能状态和复方新诺明预防治疗(CPT)使用则呈负相关。

这项研究通过先进因果推断方法揭示，虽然TPT整体轻微降低ART依从性(3.14%)，但个体差异显著：疾病晚期(WHO III/IV期)、长期ART治疗、高BMI或老年患者可能从TPT中获得依从性改善；而高CD4水平、功能受损或使用CPT者风险较高。这些发现挑战了"一刀切"的TPT实施策略，支持基于患者特征的精准化干预。研究同时验证了因果机器学习在观察性医疗数据分析中的优越性，为资源有限地区开展个体化HIV管理提供了方法学范式。未来需通过多中心研究验证结论，并探索整合心理社会因素的增强模型。