外媒 | UPMC探索机器学习在个性化HIV检测中的潜力-普瑞纯证

UPMC的Sarah Wheeler博士在美国临床化学协会(AACC)最近发表的一篇文章中讨论了该卫生系统正在探索使用机器学习(ML)来个性化和改进人类免疫缺陷病毒(HIV)检测的方法。美国疾病控制和预防中心(CDC)报告称，美国约有120万人感染HIV，其中约有158,500人不知道自己的感染状态。近40%的新感染是由不知道自己感染了HIV的人传播的，因此检测是预防感染和改善结果的关键部分。CDC于2006年确定美国13岁至64岁的人应至少进行一次HIV检测。该机构建议对那些具有某些使他们更容易感染的风险因素的人进行更频繁的检测。早期诊断和治疗已被证明可以改善患者的结果，但Wheeler解释说，“使用不同类型的HIV检测本身的方法需要专家判断，以服务于不同的人群，并减轻潜在假阳性和假阴性结果的二次影响。”为了解决这个问题，UPMC的研究人员开发了一种ML算法，根据其分类为可能是真阳性或假阳性的HIV筛查结果，将其个性化工作流程化，从而改善了该卫生系统的低患病率和高风险患者群体的护理。常规用于临床护理的标准HIV检测是第四代(HIV4G)和第五代(HIV5G)检测。HIV4G检测是第一个同时检测HIV-1和HIV-2抗体以及HIV p24抗原的检测方法，这显著缩短了感染和阳性筛查之间的时间。然而，Wheeler指出，HIV4G仅提供单个阳性/反应性或阴性/非反应性结果，并需要后续检测来区分HIV-1抗体和HIV-2抗体或HIV-1 p24。如果后续的区分测试不清楚或阴性，则需要进行HIV-1核酸扩增测试(NAAT)。相比之下，HIV5G提供了HIV-1抗体、HIV-2抗体和HIV-1 p24抗原的结果，这意味着它有更少的后续检测可能。根据Wheeler的说法，这两种测试都是临床有用的，但是要识别哪些患者或人群进行筛查是一个挑战。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。