应用机器学习预测乌干达HIV青年患者药物滥用风险的多维度因素研究

本研究针对撒哈拉以南非洲地区HIV青年患者药物滥用(PSU)的公共卫生挑战，采用机器学习(ML)算法构建预测模型。来自乌干达的研究团队通过交叉验证分析发现，随机森林模型预测效能最佳(AUROC=0.78)，揭示抑郁、性风险行为、童年创伤等跨层级风险因素，为制定精准干预策略提供数据支撑。

　　

在撒哈拉以南非洲(SSA)资源有限地区，青少年药物滥用已成为加剧HIV传播和影响治疗依从性的重大公共卫生问题。一项针对乌干达18-24岁HIV青年群体(YLHIV)的研究采用机器学习(ML)技术，通过10折交叉验证训练了六种预测模型，旨在识别问题性药物使用(PSU)的多层级风险因素并比较算法性能。模型评估采用受试者工作特征曲线下面积(AUROC)和精确召回曲线下面积(AUPRC)，特征重要性分析揭示：随机森林模型表现最优(AUROC=0.78±0.01，AUPRC=0.75±0.02)。关键预测因子涵盖个体层面（抑郁症状、性风险行为、月收入、不良童年经历）、人际层面（家庭酒精销售参与度、朋友提供酒精渠道）及社区层面（禁酒教育宣传暴露度、家庭规模、酒精对HIV治疗影响的认知）。该研究凸显机器学习在预测HIV感染者药物滥用风险中的潜力，为制定针对性干预措施和政策 formulation 提供科学依据。