Integration der sozial-kognitiven Theorie mit maschinellem Lernen zur Vorhersage sexuellen Verhaltens von MSM mit Frauen: Eine multizentrische Entwicklung eines Random-Forest-Modells in China

Warum versteckte sexuelle Brücken wichtig sind

Gesundheitsexpert:innen machen sich Sorgen über sogenannte „Brücken“-Verhaltensweisen, die Gruppen mit hohem HIV-Risiko stillschweigend mit der Gesamtbevölkerung verbinden. In China haben einige Männer, die Sex mit Männern haben (MSM), auch Sex mit Frauen, häufig parallel zu einem geheim gehaltenen gleichgeschlechtlichen Verhalten. Dieses Muster kann unbeabsichtigt weibliche Partnerinnen dem Infektionsrisiko aussetzen und Prävention deutlich erschweren. Die hier zusammengefasste Studie stellt eine praktische Frage: Lassen sich psychologische Erkenntnisse zusammen mit moderner Datenwissenschaft nutzen, um dieses versteckte Verhalten früh zu erkennen — auf eine Weise, die Menschen unterstützt statt sie zu beschuldigen?

Blick auf eine schwer erreichbare Gemeinschaft

Die Forschenden arbeiteten mit Community-Organisationen in sechs chinesischen Städten zusammen und befragten anonym 2.403 Männer, die in den vorangegangenen sechs Monaten Sex mit Männern hatten. Erhoben wurden nicht nur sexuelle Kontakte mit Männern und Frauen, sondern auch Stimmung, Selbstwertgefühl, Substanzgebrauch, Beziehungen, Arbeit, Bildung und Wohnsituation. Etwa 17 % der Teilnehmenden gaben an, in den letzten sechs Monaten Sex mit einer Frau gehabt zu haben. Die Mehrheit waren junge Erwachsene mit hoher Bildung, und viele waren aus ihrer Heimatstadt weggezogen. Dieser community-basierte Ansatz erlaubte es dem Team, Personen zu erreichen, die offizielle Umfragen wegen Stigmatisierung oder Angst vor Identifikation sonst meiden würden.

Wie Psychologie und Algorithmen kombiniert wurden

Die Studie orientierte sich an der sozial-kognitiven Theorie, einem Rahmen, der Verhalten als Produkt der kontinuierlichen Wechselwirkung zwischen persönlichen Gedanken und Gefühlen, alltäglichen Handlungen und der sozialen Umgebung betrachtet. Mit dieser Linse gruppierte das Team 28 erfasste Faktoren in drei Bereiche: persönlicher Zustand (z. B. Depression, Angst und Selbstwertgefühl), Verhalten (z. B. Gruppensex mit Männern oder Drogenkonsum vor dem Sex) und Umfeld (z. B. Bildungsniveau, Familienstand und Migration). Anstatt eine Maschine blind alle Muster durchsuchen zu lassen, wählten die Autor:innen zuerst Variablen aus, die die Theorie als relevant vorschlägt, und nutzten dann eine maschinelle Lernmethode — Random Forests — um zu Ranglisten, welche tatsächlich am stärksten zur Vorhersage von Sex mit Frauen beitrugen.

Entwicklung einer kompakten Risikoscore

Aus den ursprünglichen 28 Messgrößen identifizierte der Algorithmus eine kompakte Menge von neun Faktoren, die den größten Teil der prädiktiven Leistung trugen: Angst, Depression, Selbstwertgefühl, Alter, Bildungsniveau, Familienstand, sexuelle Orientierung, kürzlicher Gruppensex mit Männern und Drogengebrauch vor dem Sex. Diese neun Faktoren wurden anschließend in ein einfacheres statistisches Modell eingespeist, das eine Wahrscheinlichkeit ausgibt, dass ein bestimmter Mann kürzlich Sex mit einer Frau hatte. Durch wiederholtes Training und Testen an verschiedenen Datenuntergruppen konnte das Modell zwischen MSM, die Sex mit Frauen berichteten, und denen, die dies nicht taten, mit relativ hoher Genauigkeit unterscheiden — etwa 80 % auf einer standardisierten Performanceskala. Zudem lieferten die Risikoschätzungen gute Übereinstimmung mit den beobachteten Häufigkeiten, das heißt, die vorhergesagten Wahrscheinlichkeiten waren nicht systematisch zu hoch oder zu niedrig.

Was das Modell über Risikomuster verrät

Die stärksten Signale kamen vom Familienstand und davon, wie Teilnehmende ihre sexuelle Orientierung bezeichneten, gefolgt von psychischem Distress und bestimmten Verhaltensweisen. Männer, die verheiratet waren oder sich als homosexuell oder bisexuell (statt unsicher) bezeichneten, berichteten häufiger von Sex mit Frauen. Höhere Werte für Angst und Depression und ein niedrigeres Selbstwertgefühl waren ebenfalls mit einer höheren Wahrscheinlichkeit für geschlechterübergreifenden Sex verbunden, ebenso wie kürzlich stattgefundener Gruppensex mit Männern und Drogenkonsum vor dem Sex. Jüngeres Alter und niedrigere Bildung erhöhten tendenziell das Risiko. Wichtig ist, dass das Modell über verschiedene Altersgruppen, Bildungsniveaus, Familienstände und zwischen Zugewanderten und Einheimischen hinweg ähnlich gut funktionierte, was darauf hindeutet, dass der Risikoscore nicht auf eine enge Untergruppe beschränkt ist.

Zahlen in ein praktisches, nicht-diskreditierendes Werkzeug verwandeln

Um die Ergebnisse außerhalb eines Statistiklabors nutzbar zu machen, wandelte das Team die neun Schlüsselprädiktoren in eine einfache Punktetabelle, ein Nomogramm, um. Eine Beraterin, ein Kliniker oder ein Outreach-Mitarbeiter kann diese Tabelle verwenden, um Punkte für die Stimmungswerte, Beziehungsstatus, Bildung, jüngste Verhaltensweisen etc. zu vergeben; die Gesamtpunktzahl übersetzt sich in eine geschätzte Wahrscheinlichkeit, dass die Person auch Sex mit Frauen hat. Die Autor:innen betonen, dass dieses Instrument für vertrauliche, unterstützende Gespräche und frühe Prävention gedacht ist — um Beratung, Tests und sicherere-Sex-Ressourcen gezielt denen anzubieten, die als versteckte Brücken fungieren könnten — und nicht dazu, Individuen zu stigmatisieren oder zu etikettieren.

Zitation: Liu, S., Gao, Y., Xu, H. et al. Integrating social cognitive theory with machine learning to predict MSM-women sexual behavior: a multicenter random forest model development study in China. Sci Rep 16, 6029 (2026). https://doi.org/10.1038/s41598-026-36202-0

Schlüsselwörter: HIV-Prävention, bisexuelles Verhalten, maschinelles Lernen, psychische Gesundheit, MSM in China