根据发表在《公共卫生前沿》上的一项研究，艾滋病毒感染者（PLWH）的住院时间和住院时间都可以使用机器学习模型来预测。
2021年，全球约有150万例新的艾滋病毒诊断和65万例因艾滋病毒死亡。HIV相关的合并症仍然是中国PLWH生存的主要问题。通过准确预测住院时间和确定延长住院时间的风险因素，可以帮助规划艾滋病毒诊断和管理干预措施。机器学习（ML）有潜力预测这些因素。本研究旨在使用一个以上的ML模型来预测PLWH的住院时间和延长住院时间的风险。
患者于2008年1月至2020年6月从北京入组。建立了2个模型：一个模型预测长期住院的风险，另一个模型预测个人住院时间。年龄在18岁及以上的患者被纳入研究，而那些在医院停留不到12小时的患者被排除在外。收集人口统计学数据，包括临床数据，如HIV传播途径、传播类型和入院时的基线高效抗逆转录病毒治疗（HAART）。
住院时间的数值是研究的主要结局。住院时间延长的风险是次要结局，住院时间延长定义为患者入院和出院之间超过25天。
非艾滋病定义事件（NADE）的风险在PLWH中发生的风险增加。多重机会性感染（OI）定义为2种或2种以上病原体被诊断并共存。极端梯度增强（XGB）模型是运行所有模型的基础。使用10倍交叉验证和网格搜索来收集用于4 ML和5 ML回归模型算法的超参数，以分别预测住院时间和延长的住院时间。
本研究纳入了1556例患者，其中91.1%为男性，平均年龄为45岁。平均基线CD 4计数为158个细胞/ml，50.1%的病例诊断为多个OI，3.3%的病例发现有NADE。平均住院时间为24.14天。共有36%的参与者住院时间延长，或住院超过25天。对于预测住院时间和延长住院时间的ML回归模型，所有参与者被分为2组：培训队列和验证队列。
有4种回归模型用于预测住院时间：随机森林（RF），k-最近邻（KNN），支持向量机（SVM）和XGB。KNN模型被认为具有最好的判别能力（均方根误差[RMSE]，12.72;平均绝对误差[MAE]，7.23;平均绝对百分比误差[MAPE]，0.60）。XGB在模型中表现最好（RMSE，16.81; MAE，10.39; MAPE，0.98），KNN表现最差（RMSE，19.67; MAE，11.61; MAPE，0.99）。
有5个ML分类模型用于评估延长住院时间的风险。KNN模型具有所有模型中最好的区分能力（准确性，0.9008;阳性预测值[PPV]，0.8982;阴性预测值[NPV]，0.9063;灵敏度，0.9525;特异性，0.8096）。NN模型被认为是最好的整体（准确度，0.7623; PPV，0.7853; NPV，0.7092;灵敏度，0.8620;特异性，0.5882）。发现KNN模型是模型中总体最差的（准确度，0.7281; PPV，0.7607; NPV，0.6525;灵敏度，0.8350;特异性0.5647）。
这项研究有一些局限性。由于研究的回顾性，可能存在选择偏倚和信息偏倚。所有数据都来自一个中心。预后和入院可能受到患者的社会环境的影响。本研究未进行外部验证。
研究人员得出结论，ML模型可以帮助预测住院时间和长期住院的风险因素。XGB模型可用于预测住院时间，而NN模型可用于预测住院时间延长。未来可以通过使用智能医疗预测系统来帮助减少医疗资源的浪费。
参考来源：
Li J, Hao Y, Liu Y, et al. Supervised machine learning algorithms to predict the duration and risk of long-term hospitalization in HIV-infected individuals: a retrospective study. Front Public Health. 2024;11:1282324. doi:10.3389/fpubh.2023.1282324