Усовершенствованные языковые модели для прогнозирования и понимания отсева из уходa за ВИЧ: пример Танзании

Почему важно удерживать людей в уходе за ВИЧ

Продолжение лечения ВИЧ — один из самых мощных инструментов, который у нас есть, чтобы сохранять здоровье людей и предотвращать распространение вируса. Тем не менее в многих регионах мира, особенно в субсахарской Африке, часть пациентов перестаёт получать лекарства или пропускает визиты в клинику — часто по сложным социальным и экономическим причинам. В этом исследовании проверяли, может ли новый вид искусственного интеллекта, называемый крупной языковой моделью, помочь врачам в Танзании выявлять тех, кто находится в наибольшем риске ухода из системы ухода, чтобы поддержка дошла до них до появления серьёзных проблем.

Преобразование медицинских записей в понятный рассказ

Исследователи работали с более чем 4,8 миллионами электронных медицинских записей более чем 260 000 людей, живущих с ВИЧ, которые получали уход в Танзании в период с 2018 по 2023 год. Эти записи включали возраст, пол, даты визитов в клинику, количество выданных таблеток, лабораторные результаты, такие как вирусная нагрузка, и сведения об учреждениях здравоохранения. Вместо того чтобы рассматривать отдельные снимки во времени, команда сосредоточилась на полных историях ухода, фиксируя паттерны, такие как пропущенные или задержанные приёмы и разрывы в приёме антиретровирусной терапии. Затем эти данные были переведены в простые текстовые резюме, которые языковая модель могла читать почти как биографию пациента.

Обучение ИИ мыслить как внимательный клиницист

Команда адаптировала модель с открытым кодом (Llama 3.1) и дообучила её на танзанийских записях, чтобы она могла ответить на конкретный вопрос: в течение ближайшего года вероятно ли, что этот пациент пропустит лечение на несколько недель, у него развится несупрессированная вирусная нагрузка или он будет потерян для наблюдения? Чтобы обеспечить согласованность, модель инструктировали отвечать в фиксированном предложном формате, описывающем три исхода: будет ли вирус супрессирован или обнаруживаем, вероятно ли, что человек пропадёт из наблюдения более чем на 28 дней, и будет ли риск несоблюдения лечения высоким, умеренным, низким или отсутствующим. Поскольку входные данные также были представлены в стандартизированном тексте, система могла одновременно обрабатывать сложные истории и объяснять своё суждение понятным человеческим языком.

Как новая модель сопоставляется со старыми инструментами

Улучшенную языковую модель тестировали в двух регионах Танзании: Кагера, где её обучали, и Гейта, где модель раньше не видела данных. Её работу сравнивали с мощным традиционным методом машинного обучения и с той же языковой моделью, использованной «из коробки» без дообучения. По ключевым исходам улучшенная модель последовательно точнее ранжировала пациентов. Для прогнозирования тех, кто будет потерян для наблюдения — разрыв в уходе на 28 дней или более — она показала показатели точности (AUC) 0,77 в Кагере и 0,71 в Гейта, что выше как по сравнению с обычной моделью, так и с недообученными языковыми моделями. Когда программы здравоохранения могут охватить лишь часть пациентов, это имеет значение: среди 25% пациентов, которых улучшенная модель пометила как наиболее высокорисковых, примерно трое из четырёх действительно стали потерянны для наблюдения, что позволило направить ограниченные ресурсы туда, где они наиболее нужны.

На что ИИ «обращает внимание»

Поскольку языковые модели используют механизмы внимания, исследователи могли увидеть, какие фрагменты информации сильнее всего влияли на прогнозы. Модель уделяла большое внимание факторам, связанным с непрерывностью ухода: длительные разрывы между визитами, задержки или пропуски приёмов, признаки плохого приёма таблеток и продолжительность жизни с ВИЧ. Возраст и пол также играли роль, при этом особенно точные предсказания потери для наблюдения были среди пожилых взрослых и людей, не находившихся на лечении в 2021 году. По сравнению с традиционной моделью, которая больше опиралась на базовую демографию и подсчёт таблеток, улучшенная языковая модель давала более богатую картину вовлечённости пациента со временем. Танзанийские инфекционисты, которые рассмотрели выборку случаев, соглашались с суждениями модели в 65% случаев, и в большинстве из этих совпадающих случаев они считали письменные объяснения ИИ клинически обоснованными.

Баланс между обещаниями, приватностью и практичностью

Исследование также столкнулось с реальными проблемами приватности и развертывания. Все данные были де-идентифицированы и хранились на защищённом локальном вычислительном кластере, а команда протестировала дополнительные меры безопасности, такие как небольшое смещение дат визитов при сохранении временных последовательностей. Они отмечают, что использование такой продвинутой ИИ-внедряет технические и эксплуатационные вызовы, и модели, обученные в двух регионах Танзании, возможно, потребуют адаптации для других мест. Тем не менее поскольку улучшенная модель лучше выявляла пациентов с высоким риском даже при редком их встречаемости, она могла бы сделать программы по поиску и поддержке более эффективными — помогая клиницистам действовать раньше, до того как пропуск лечения приведёт к росту вирусной нагрузки и повышенному риску передачи.

Что это означает для людей, живущих с ВИЧ

Для неподготовленного наблюдателя суть в том, что такой ИИ действует как дополнительный набор экспертных глаз, просматривающих тысячи историй пациентов одновременно. Он не заменяет врачей или медсестёр, но может сигнализировать им, когда шаблон визитов и лабораторных данных указывает на риск скорого ухода из ухода. При аккуратном и этичном использовании такие инструменты могут помочь работникам здравоохранения в Танзании и сходных условиях направлять телефонные звонки, домашние визиты или финансовую поддержку тем, кто в них наиболее нуждается, повышая успешность лечения и приближая мир к давним целям по контролю эпидемии ВИЧ.

Цитирование: Wei, W., Shao, J., Lyu, R.Q. et al. Enhanced language models for predicting and understanding HIV care disengagement: a case study in Tanzania. npj Digit. Med. 9, 165 (2026). https://doi.org/10.1038/s41746-026-02349-3

Ключевые слова: удержание в уходе за ВИЧ, крупные языковые модели, электронные медицинские записи, субсахарская Африка, приверженность антиретровирусной терапии