HIV垂直传播预防支持项目中客户出席率的预测能力有限：机器学习与社区健康工作者预测结果的比较

《ACM Journal on Computing and Sustainable Societies》：Limited Predictability of Client Attendance in a Support Program for HIV Vertical Transmission Prevention: A Comparison of Machine Learning and Community Health Worker Predictions

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

客户出席率对于HIV垂直传播预防计划的成功至关重要，然而在参加社区健康工作者主导的计划后，仍有23.4%的客户错过了后续预约（n=24,807，2022年8月至12月）。预测哪些客户最有可能错过预约可以实施有针对性的干预措施以提高客户保留率。虽然机器学习似乎非常适合这项预测任务，但其效果与社区健康工作者的判断相比尚未得到探索。我们评估了三种机器学习方法——逻辑回归、平衡随机森林和梯度提升树——这些方法基于客户注册记录进行训练（n=51,297个训练样本；n=18,577个测试样本），并将它们的性能与社区健康工作者的预测结果进行了比较（n=61人），后者拥有与客户的直接互动和情境洞察。机器学习模型的预测性能一般，其中平衡随机森林的表现最好（ROC AUC=0.689）。在匹配样本中，社区健康工作者的预测没有显示出很强的预测能力，尽管分析不能排除其具有一定的预测能力。定性分析发现了一些复杂且动态的障碍，包括污名化、交通困难以及个人承诺的冲突，这些因素在客户注册时往往难以预测。这些发现突显了仅凭注册期间的信息预测客户出席率的局限性。相反，资源可能更好地用于解决社区健康工作者所识别的系统性障碍。

AI摘要

AI生成的摘要（实验性)

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现研究内容的相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的摘要版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。