用于预测与理解 HIV 护理脱落的增强型语言模型：坦桑尼亚的案例研究

为何让人们持续接受 HIV 护理至关重要

坚持 HIV 治疗是我们保持人群健康并阻止病毒传播的最有力手段之一。然而在世界许多地区，尤其是撒哈拉以南非洲，一些患者会停止领取药物或错过门诊，常常是由复杂的社会和经济原因导致。本研究探讨一种新型人工智能——大型语言模型，是否能帮助坦桑尼亚的临床人员识别最有可能脱离护理的人，以便在问题出现前给予支持。

将病历转化为有用的叙述

研究人员使用了来自 2018 至 2023 年间在坦桑尼亚接受护理的 26 万多名 HIV 感染者、超过 480 万条电子病历记录。记录包括年龄、性别、门诊就诊日期、发药数量、如病毒载量等化验结果以及医疗机构的相关信息。研究团队并非只看某一时间点的快照，而是关注完整的护理历程，捕捉诸如错过或延迟的预约、抗逆转录病毒治疗服药间断等模式。随后，他们将这些数据转写成可读的纯文本摘要，几乎像病史传记一样，让语言模型能够理解。

教 AI 像谨慎的临床医生一样思考

团队改良了一个开源语言模型（Llama 3.1），并在坦桑尼亚的病历上进行了微调，使其能够回答一个具体问题：在未来一年内，该患者是否可能数周不上治疗、出现不可抑制的病毒载量，或被失访？为保持一致性，模型被指示以固定句式描述三种结局：病毒是否被抑制或可检测、该人是否可能失访超过 28 天，以及其治疗不依从的风险是高、中、低或无。由于输入也被写成标准化文本，该系统既能处理复杂的病史，又能以人类可读的语言解释其推理过程。

新模型与既有工具的比较

该增强型语言模型在坦桑尼亚的两个地区进行了测试：在训练地区 Kagera 和从未见过数据的 Geita。其表现与一种强有力的传统机器学习方法以及未经微调的同一语言模型进行了比较。在关键结局上，增强模型持续更准确地对患者进行排序。对于预测谁会失访——护理中断 28 天或以上——在 Kagera 的准确度（AUC）为 0.77，在 Geita 为 0.71，均高于传统模型和未经调优的语言模型。当卫生项目只能关注一小部分患者时，这一点尤为重要：在增强模型标记为最高风险的 25% 患者中，大约四分之三确实成为了失访者，从而可以将有限资源投向最需要的人群。

AI “关注”哪些信息

由于语言模型使用注意力机制，研究人员能够识别出哪些信息最影响预测。模型主要关注与护理连续性相关的因素：就诊间隔过长、预约延迟或缺席、服药不良的信号以及感染 HIV 的时长。年龄和性别也有作用，尤其在预测老年人和 2021 年未接受护理的人群的失访方面表现突出。与更多依赖基本人口统计和发药数量的传统模型相比，增强型语言模型描绘出更丰富的患者参与度时间图景。审阅样本病例的坦桑尼亚 HIV 医师与模型判断一致的比例为 65%，且在大多数一致的案例中，他们认为 AI 的书面解释在临床上是合理的。

在前景、隐私与可行性之间取得平衡

研究还处理了有关隐私与部署的现实问题。所有数据都进行了去标识化并存储在安全的本地计算集群上，团队还测试了额外的保护措施，例如在保持时间线的同时轻微移动就诊日期。他们指出，使用此类先进 AI 带来了技术和维护方面的挑战，而且在两个坦桑尼亚地区训练的模型可能需要在其他地方进行调整。尽管如此，由于增强模型在识别相对罕见的高风险患者方面更为出色，它仍能使外展项目更高效——帮助临床人员更早采取行动，防止治疗中断导致病毒反弹和更高的传播风险。

这对 HIV 感染者意味着什么

对非专业读者而言，结论是这种 AI 类似于一双额外的专家之眼，能够同时扫描数千份病史。它并不替代医生或护士，但当某人的就诊和化验结果模式暗示他们可能即将脱离护理时，能够提醒医护人员。若谨慎且合乎伦理地使用，此类工具可帮助坦桑尼亚及类似环境的医疗工作者将电话随访、上门探访或经济援助定向给予最需要的人，提高治疗成功率，推动控制 HIV 流行的长期目标更进一步。

引用: 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

关键词: HIV 护理保留, 大型语言模型, 电子病历, 撒哈拉以南非洲, 抗逆转录病毒治疗依从性