基于临床简易参数的HIV感染者抗逆转录病毒治疗后亚临床动脉粥样硬化预测模型构建与验证

本研究针对HIV感染者心血管风险升高的问题，开发了基于常规临床参数的亚临床动脉粥样硬化预测模型。研究人员通过机器学习与逻辑回归分析，发现高血压、血脂异常、蛋白酶抑制剂等关键预测因子，模型AUC达0.91，为HIV人群心血管疾病早期筛查提供了实用工具。

　　

人类免疫缺陷病毒（HIV）感染者相比普通人群具有更高的心血管疾病风险，因此早期发现动脉粥样硬化对该群体至关重要。本研究通过横断面观察性设计，招募了96名无既定心血管疾病的HIV患者，其中19人（19.8%）经多普勒超声检测发现亚临床动脉粥样硬化。研究人员采用逻辑回归结合内部验证（Bootstrap法）与机器学习技术，系统评估了社会人口学特征、病史资料、HIV感染相关数据、实验室参数和毛细血管镜检测结果作为预测因子的价值。

最终模型显示：高血压、血脂异常、蛋白酶抑制剂（PI）使用、甘油三酯（TG）、纤维蛋白原和碱性磷酸酶是回归模型与机器学习模型共同的关键预测指标。年龄和C反应蛋白（CRP）也被纳入机器学习模型体系。逻辑回归模型的受试者工作特征曲线下面积（AUC）达到0.91（95%置信区间：0.84-0.99），经过Bootstrap内部验证后调整为0.80。机器学习模型组的AUC范围在0.73至0.86之间。

这项研究证实，通过常规临床易得参数构建的预测模型能有效识别HIV感染者的亚临床动脉粥样硬化风险，具备作为筛查工具的潜力。但研究者同时指出，受样本量限制，后续仍需在更大规模队列中进行外部验证。