Förbättrade språkmodeller för att förutsäga och förstå bortfall från HIV-vård: en fallstudie i Tanzania

Varför det är viktigt att behålla patienter i HIV-vård

Att fortsätta med HIV-behandling är ett av de mest effektiva verktygen vi har för att hålla människor friska och stoppa spridningen av viruset. Ändå slutar vissa patienter i många delar av världen, särskilt i sub-Sahara Afrika, att hämta sina läkemedel eller uteblir från klinikbesök, ofta på grund av komplexa sociala och ekonomiska skäl. Denna studie undersöker om en ny typ av artificiell intelligens, kallad stor språkmodell, kan hjälpa läkare i Tanzania att identifiera vilka som löper störst risk att falla bort från vården så att stöd kan nå dem innan problem uppstår.

Att omvandla journaler till en begriplig berättelse

Forskarna arbetade med mer än 4,8 miljoner elektroniska journaler från över 260 000 personer som lever med HIV och fick vård i Tanzania mellan 2018 och 2023. Dessa journaler innehöll ålder, kön, datum för klinikbesök, antal utdelade tabletter, laboratorieresultat som virusmängd och uppgifter om vårdinrättningarna. Istället för att granska enskilda ögonblicksbilder fokuserade teamet på hela vårdhistoriker, och fångade mönster som missade eller försenade besök och luckor i intaget av antiretroviral behandling. De översatte sedan dessa data till lättförståeliga sammanfattningar som en språkmodell kunde läsa nästan som en patientbiografi.

Att lära en AI att tänka som en noggrann kliniker

Teamet anpassade en öppen källkods-språkmodell (Llama 3.1) och finjusterade den på de tanzaniska journalerna så att den kunde besvara en specifik fråga: är denna patient under kommande år sannolik att missa behandling i flera veckor, utveckla en osupprimerad virusmängd, eller försvinna ur uppföljning? För att göra detta konsekvent instruerades modellen att svara i ett fast meningsformat som beskrev tre utfall: om viruset skulle vara supprimerat eller detekterbart, om personen sannolikt skulle vara förlorad för uppföljning i mer än 28 dagar, och om deras risk för bristande följsamhet av behandlingen skulle vara hög, måttlig, låg eller obefintlig. Eftersom indata också skrevs som standardiserad text kunde systemet både bearbeta komplexa historiker och förklara sitt resonemang i mänskligt läsbar form.

Hur den nya modellen står sig mot äldre verktyg

Den förbättrade språkmodellen testades i två tanzaniska regioner: Kagera, där den tränades, och Geita, där den aldrig sett data tidigare. Dess prestanda jämfördes med en stark traditionell maskininlärningsmetod och med samma språkmodell använd “ur lådan” utan finjustering. Över viktiga utfall rankade den förbättrade modellen konsekvent patienter mer korrekt. För att förutsäga vilka som skulle försvinna ur uppföljning—en avbrott i vården på 28 dagar eller mer—nådde den säkerhetspoäng (AUC) på 0,77 i Kagera och 0,71 i Geita, högre än både den konventionella modellen och den ofinjusterade språkmodellen. När vårdprogram bara kan fokusera på en del av patienterna spelar detta roll: bland de 25 % av patienterna som den förbättrade modellen flaggade som högst risk blev ungefär tre av fyra faktiskt förlorade för uppföljning, vilket gör att knappa resurser kan riktas dit de behövs mest.

Vad AI:n "uppmärksammar"

Eftersom språkmodeller använder uppmärksamhetsmekanismer kunde forskarna se vilka informationsdelar som mest påverkade prediktionerna. Modellen fokuserade starkt på faktorer relaterade till kontinuitet i vården: långa luckor mellan besök, fördröjda eller missade bokningar, signaler om bristande tablettintag och hur länge någon levt med HIV. Ålder och kön spelade också roller, med särskilt god prestanda i att förutsäga bortfall bland äldre vuxna och personer som inte varit i vård under 2021. Jämfört med den traditionella modellen, som lutade mer mot grundläggande demografi och tablettantal, tecknade den förbättrade språkmodellen en rikare bild av patientengagemang över tid. Tanzaniska HIV-läkare som granskade ett urval av fall höll med modellens bedömningar i 65 % av fallen, och i de flesta av dessa överensstämmande fall fann de AI:ns skriftliga förklaringar kliniskt rimliga.

Att balansera löfte, integritet och praktik

Studien hanterade också verkliga frågor om integritet och implementering. Alla data avidentifierades och lagrades på ett säkert lokalt beräkningskluster, och teamet testade ytterligare skyddsåtgärder som att förskjuta besöksdatum något samtidigt som tidslinjer bevarades. De påpekar att användning av så avancerad AI introducerar tekniska och underhållsmässiga utmaningar, och att modeller tränade i två tanzaniska regioner kan behöva anpassas för andra miljöer. Ändå, eftersom den förbättrade modellen var bättre på att identifiera hög-riskpatienter även när sådana fall var relativt sällsynta, kunde den göra uppsökande program mer effektiva—hjälpa kliniker att agera tidigare, innan behandlingsavbrott leder till viral återuppkomst och ökad risk för smittspridning.

Vad detta betyder för personer som lever med HIV

För en lekmans ögon är slutsatsen att denna typ av AI fungerar som ett extra par experter som granskar tusentals patienthistoriker samtidigt. Den ersätter inte läkare eller sjuksköterskor, men kan uppmärksamma dem när någons mönster av besök och laboratorieresultat tyder på att de snart kan falla ur vården. Använda försiktigt och etiskt kan sådana verktyg hjälpa vårdpersonal i Tanzania och liknande miljöer att rikta telefonsamtal, hembesök eller ekonomiskt stöd till dem som behöver det mest, öka behandlingsframgångarna och föra världen närmare långsiktiga mål för att kontrollera HIV-epidemin.

Citering: 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

Nyckelord: Behållande i HIV-vård, stora språkmodeller, elektroniska journaler, sub-Sahara Afrika, efterlevnad av antiretroviral behandling