Технологии машинного обучения и искусственного интеллекта в сфере ВИЧ

На CROI 2026 учёные обсудили возможности машинного обучения (ML) и генеративного искусственного интеллекта (ИИ) для улучшения помощи людям с ВИЧ. Цель исследований заключалась в том, чтобы оценить, насколько эти технологии помогают прогнозировать поведение пациентов и выявлять группы риска.

Машинное обучение использует алгоритмы для анализа большого количества данных и выявления закономерностей, которые помогают строить прогнозы. Вместо ручного программирования система учится на данных, как это делает, например, спам-фильтр, выделяя сигналы из большого количества информации.

На конференции были представлены два пилотных проекта из Кении, показывающие практическое применение ML.

Первое исследование

Это исследование касалось приверженности пациентов программам терапии ВИЧ. Модель ML проанализировала медицинские записи 130 000 человек и выделила 27% из них как группу высокого риска пропуска визита. Из этой группы 54% пациентов получили звонок от медицинской команды. Успешный контакт с пациентом увеличивал вероятность возвращения на приём на 77% (ОR-1,77) по сравнению с теми, кто не получал звонков. Даже при неудачном контакте вероятность возвращения была на 22% выше, чем у пациентов, к которым не обращались (ОR-1,22).  Прогностическая точность модели составила 0,72 (AUC), что является приемлемым показателем для клинической практики.

Второе исследование

Пациентов разделили на четыре группы риска: низкий, умеренный, высокий и очень высокий. Положительный тест на ВИЧ выявили у 0,5% людей из группы низкого риска, у 1,2% — из группы умеренного, у 2,5% — из группы высокого и у 7,4% — из группы очень высокого риска. Это показывает, что чем выше уровень риска по модели, тем чаще встречались случаи ВИЧ, что говорит об эффективности модели в прогнозировании. 

Вывод

Результаты исследований показывают, что интеграция ML в стратегии борьбы с ВИЧ позволяет перейти от общих мер к высокоточным персонализированным вмешательствам. Тем не менее, масштабирование таких проектов требует осторожности. Этические вызовы, связанные с конфиденциальностью данных, и необходимость проверки работы алгоритмов в реальных условиях остаются ключевыми барьерами на пути к повсеместному использованию ИИ в медицине.

Ранее в Пекинской больнице Дитан в Китае завершилось важное исследование, которое показало перспективы использования машинного обучения для предсказания гиперлипидемии у людей, живущих с ВИЧ и получающих антиретровирусную терапию.