Un modèle d'apprentissage automatique s'est avéré capable de prédire une infection incidente au VIH chez les patients atteints d'infections sexuellement transmissibles (IST) avec un degré élevé de précision, ce qui indique l'utilisation potentielle de tels modèles pour le développement d'interventions sur mesure pour la prévention du VIH. Ces résultats ont été publiés dans Maladies infectieuses cliniques.
Les chercheurs ont mené une étude pour évaluer l’exactitude d’un modèle d’apprentissage automatique basé sur l’intelligence artificielle (IA) pour prédire l’incidence de l’infection par le VIH. Les données de cette étude proviennent du système national de surveillance électronique des maladies à déclaration obligatoire et du système de déclaration électronique du VIH/SIDA du comté de Fulton en Géorgie. L'analyse a inclus des patients âgés de 13 ans et plus qui ont été évalués pour les infections sexuellement transmissibles (IST) et la co-infection par le VIH entre 2010 et 2021. Les patients atteints d'IST ont été appariés 1:1 sur la base de leur statut VIH positif ou négatif. Les ensembles de données de formation et de validation utilisés pour le modèle d'apprentissage automatique basé sur l'IA comprenaient des informations provenant des deux groupes.
Au total, 127 169 épisodes d’IST ont été inclus dans l’analyse, représentant 85 224 patients uniques (sexe féminin, 54 %). Parmi tous les patients, 2 027 ont développé une infection par le VIH au cours de la période d'étude, dont la majorité étaient des hommes ou des garçons (84 %).
Parmi les hommes et les femmes atteints d’IST, l’âge moyen au moment du diagnostic était de 28 et 24 ans, 63 % et 57 % étaient noirs, et 71 % et 72 % avaient respectivement un seul épisode d’IST documenté.
Le modèle d’apprentissage automatique a identifié 203 diagnostics de VIH vrais négatifs et 203 vrais positifs chez les hommes et 38 diagnostics de VIH vrais négatifs et 40 vrais positifs chez les femmes. Dans l'ensemble, le modèle était associé à des taux élevés de précision et de rappel chez les hommes et les femmes (80 % et 78 % contre 80 % et 81 %, respectivement).
Une analyse plus approfondie a montré que les prédicteurs les plus informatifs de l'infection par le VIH chez les hommes étaient l'âge à Diagnostic IST, épisode précédent d'IST non liée au VIH, type de prestataire, nombre d'épisodes antérieurs d'IST non liées au VIH, intervalle de réinfection et statut de logement et de transport. Pour les femmes, les prédicteurs les plus informatifs de l’infection par le VIH étaient l’âge au moment du diagnostic d’IST, l’origine ethnique, les antécédents d’IST non liés au VIH, le type de prestataire, la composition du ménage et le statut de groupe minoritaire.
Les limites de cette étude incluent une généralisabilité potentiellement faible parmi les populations rurales. De plus, l’utilisation de modèles d’apprentissage automatique basés sur l’IA pour prédire VIH l’incidence repose sur l’exactitude et l’exhaustivité de ses ensembles de données.
« En identifiant avec précision les individus présentant un risque accru de contracter le VIH, ces modèles pourraient devenir des outils précieux pour développer des stratégies donnant la priorité aux individus à Dépistage et prévention du VIH« , ont noté les chercheurs.
Divulgations : Un auteur de l’étude a déclaré des affiliations avec des sociétés de biotechnologie, pharmaceutiques et/ou d’appareils. Veuillez consulter la référence originale pour une liste complète des divulgations.
