紅楓灣APP：5月21日，發表在《艾滋病》雜志上的一項研究顯示，機器學習模型，尤其是LightGBM，能夠有效預測接受高效抗逆轉錄病毒治療（HAART）6個月的HIV感染者（PLWH）的高脂血癥，在預防PLWH心血管疾病方面大有可為。

全球約有4000萬HIV攜帶者，其中約3070萬人正在接受HAART，他們因HIV感染而面臨更高的健康并發癥風險，包括心血管疾病。

過去已經建立了使用機器學習算法的預測模型，以預測患者患某種疾病的可能性，這對更易患其他多種疾病的HIV攜帶者來說是有幫助的。

本研究旨在評估機器學習算法在預測接受HAART至少6個月的PLWH高脂血癥方面的有效性。

高脂血癥被定義為血漿中至少有一種脂質高于正常值，任何符合此標準的參與者都被認為患有高脂血癥。

該研究是在中國北京地壇醫院進行的，2479名參與者均在2015年1月-2023年1月期間在醫院就診，并按7:3的比例分為訓練組和測試組。所有入選的受試者年齡均在18歲或以上，并且已經接受6個月的HAART治療。任何懷孕、嬰兒或未滿18歲的個人均被排除在研究之外。

研究通過醫院的電子健康系統收集臨床數據。其中96.01%為男性，平均年齡為33歲，其中有1196名參與者被診斷為高脂血癥。

研究人員使用其他機器學習技術創建了預測框架。準確性、陽性預測值（PPV）、陰性預測值（NPV）、特異性、敏感性和kappa系數均用于評估性能。

研究人員測試了5種不同的機器學習模型，以準確預測高脂血癥的發病率。研究發現，LightGBM模型在所有測試中均表現出最佳的臨床能力，準確率為0.7219，PPV為0.7539，NPV為0.7004，特異性為0.8087，敏感性為0.6289，kappa為0.44，曲線下面積（AUC）為0.780。所有機器學習模型的準確率都超50%上，且大多數模型的AUC都大于0.7。這表明任何機器學習模型都能夠預測高脂血癥，其中LightGBM模型最有效。

本研究存在一些局限性。在評估參與者的高脂血癥總體風險時，僅考慮了他們的風險因素，而未納入與生活方式相關的其他因素，如吸煙和飲酒?；跈C器學習分類算法的預測模型尚未實施或調整。幾乎所有的參與者都是男性，這限制了女性的普遍性。所研究的預測模型沒有收到外部驗證。

研究人員得出結論，機器學習可成為預測PLWH高脂血癥的新方法，尤其是對于那些新接受HAART治療的患者。這可以“及時調整治療方案，以降低該人群心血管疾病的發病率。