Integratie van sociale cognitieve theorie met machine learning om het seksuele gedrag van MSM naar vrouwen te voorspellen: een multicenter random forest modelontwikkelingsstudie in China

Waarom verborgen seksuele bruggen ertoe doen

Volksgezondheidsdeskundigen maken zich zorgen over zogenaamde "brug"-gedragingen die groepen met een hoog hiv-risico stilletjes verbinden met de bredere bevolking. In China hebben sommige mannen die seks hebben met mannen (MSM) ook seks met vrouwen, vaak terwijl ze hun seksueel gedrag met hetzelfde geslacht geheim houden. Dit patroon kan onbedoeld vrouwelijke partners aan besmetting blootstellen en maakt preventie veel moeilijker. De hier samengevatte studie stelt een praktische vraag: kunnen we inzichten uit de psychologie combineren met moderne datawetenschap om dit verborgen gedrag vroegtijdig te signaleren op een manier die mensen ondersteunt in plaats van hen de schuld te geven?

Een nadere blik op een moeilijk bereikbare gemeenschap

De onderzoekers werkten samen met gemeenschapsorganisaties in zes Chinese steden om anoniem 2.403 mannen te enquêteren die in de voorgaande zes maanden seks met mannen hadden gehad. Ze vroegen niet alleen naar seksuele contacten met mannen en vrouwen, maar ook naar stemming, eigenwaarde, middelengebruik, relaties, werk, opleiding en woonsituatie. Ongeveer 17% van de deelnemers rapporteerde seks met een vrouw in de afgelopen zes maanden. De meeste waren jongvolwassenen, hoogopgeleid, en velen waren weggetrokken uit hun geboorteplaats. Deze op de gemeenschap gerichte aanpak stelde het team in staat mensen te bereiken die anders officiële enquêtes zouden vermijden vanwege stigma of angst om geïdentificeerd te worden.

Hoe psychologie en algoritmen werden gecombineerd

De studie werd gestuurd door de Sociale Cognitieve Theorie, een kader dat gedrag ziet als het resultaat van voortdurende interactie tussen persoonlijke gedachten en gevoelens, dagelijkse handelingen en de sociale omgeving. Met deze lens verdeelde het team 28 gemeten factoren in drie brede gebieden: persoonlijke staat (zoals depressie, angst en eigenwaarde), gedrag (zoals groepsseks met mannen of drugsgebruik vóór seks) en omgeving (zoals opleidingsniveau, burgerlijke staat en migratie). In plaats van een computer blind alle patronen te laten doorzoeken, kozen de auteurs eerst variabelen die volgens de theorie relevant zouden moeten zijn, en gebruikten vervolgens een machinelearningmethode bekend als random forests om te rangschikken welke daarvan daadwerkelijk het meest hielpen bij het voorspellen van seks met vrouwen.

Het bouwen van een compacte risicoscore

Uit de oorspronkelijke 28 metingen identificeerde het algoritme een compacte set van negen die het grootste deel van de voorspellende kracht droegen: angst, depressie, eigenwaarde, leeftijd, opleidingsniveau, burgerlijke staat, seksuele identiteit, recent groepsseks met mannen en drugsgebruik vóór seks. Deze negen factoren werden vervolgens ingevoerd in een eenvoudiger statistisch model dat een waarschijnlijkheid oplevert dat een bepaalde man recent seks met een vrouw heeft gehad. Door herhaald trainen en testen op verschillende subsets van de data kon het model MSM die wel en niet rapporteerden seks met vrouwen te hebben gehad redelijk nauwkeurig scheiden: ongeveer 80% op een gangbare prestatieschaal. Het produceerde ook risicoschattingen die goed overeenkwamen met waargenomen frequenties, wat betekent dat de voorspelde waarschijnlijkheden niet systematisch te hoog of te laag waren.

Wat het model onthult over risicopatronen

De sterkste signalen kwamen van burgerlijke staat en hoe deelnemers hun seksuele identiteit labelden, gevolgd door psychische nood en bepaalde gedragingen. Mannen die getrouwd waren, of die zichzelf als homoseksueel of biseksueel identificeerden in plaats van onzeker, rapporteerden vaker seks met vrouwen. Hogere scores voor angst en depressie en lagere eigenwaarde werden ook geassocieerd met een grotere kans op seks met het andere geslacht, evenals recent groepsseks met mannen en drugsgebruik vóór seks. Jongere leeftijd en lagere opleiding verhoogden de kans. Belangrijk is dat het model vergelijkbaar goed presteerde over verschillende leeftijden, opleidingsniveaus, burgerlijke toestanden en tussen migranten en lokale bewoners, wat suggereert dat de risicoscore niet beperkt is tot een smalle subgroep.

Getallen omzetten in een praktisch, niet-veroordelend instrument

Om de resultaten buiten een statistieklab bruikbaar te maken, zette het team de negen kernpredictoren om in een eenvoudige puntentabel, of nomogram. Een counselor, clinicus of outreach-medewerker kan deze tabel gebruiken om punten toe te kennen voor iemands stemmingsscores, relatiesituatie, opleiding, recente gedragingen enz.; het totaal aan punten vertaalt zich in een geschatte kans dat die persoon ook seks met vrouwen heeft. De auteurs benadrukken dat dit instrument is ontworpen voor vertrouwelijke, ondersteunende gesprekken en vroege preventie—het helpt counseling, testen en veilige seksvoorzieningen te richten op degenen die mogelijk als verborgen bruggen fungeren—en niet om individuen te labelen of stigma te vergroten.

Bronvermelding: 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

Trefwoorden: HIV-preventie, biseksueel gedrag, machine learning, geestelijke gezondheid, China MSM