加利福尼亚州奥克兰 - 研究人员开发了一种新的分析工具，可识别有感染艾滋病毒风险的人，以便他们可以转诊进行预防性用药。描述该工具的一项研究发表于2019年7月5日，由旧金山Kaiser Permanente，Kaiser Permanente研究部，Beth Israel Deaconess医学中心和哈佛医学院的研究人员在The Lancet HIV中发表。

通过观察370万Kaiser Permanente患者的医疗记录，研究人员开发了一种机器学习算法，用于预测谁将在3年内感染HIV。该算法将2.2%的患者标记为高风险或高风险;这一群体包括近一半后来感染的男性，与其他已发布的艾滋病风险预测工具相比有显着改善。

“在暴露前预防或PrEP中，我们有一个非常强大的工具来阻止艾滋病病毒的传播，”资深作者，医学博士，公共卫生硕士，一位在Kaiser Permanente旧金山医疗中心治疗艾滋病病毒感染者的传染病医生说。PrEP是一种每日抗逆转录病毒药物，在预防HIV方面有效率达99%以上。

沃尔克博士说：“我们确定患有艾滋病毒风险的患者至关重要。”“我们使用我们的电子病历开发了一种工具，可以在繁忙的临床实践中实施，以帮助提供者识别可能从PrEP中获益最多的患者。”

美国疾病控制和预防中心估计，只有7%的人可以从PrEP中受益。卫生保健提供者难以识别有艾滋病毒感染风险的人。依赖疾病预防控制中心对PrEP的指示 - 性取向和性传播感染史 - 低估了一些人群的风险，包括非洲裔美国人，他们的艾滋病毒感染率相对较高且使用的PrEP较低。

寻找可靠和自动化的方法来预测哪些患者有感染艾滋病毒的风险是公共卫生官员的首要任务。美国预防服务工作组最近给予PrEP治疗最高的A级评级，并敦促研究人员开发工具来识别有艾滋病风险的人。

沃尔克博士说：“我们的预测模型直接解决了这一差距，可能比目前确定那些可能是优秀PrEP候选人的努力更有效。”他强调说，它不能取代医疗服务提供者的临床判断，但可以节省时间并解决对艾滋病风险的误解。

由于Kaiser Permanente Northern California的综合电子健康记录，该工具的准确性是可行的，该记录可跟踪其成员的许多人口统计和临床数据点。“该工具的开发需要像KP北加利福尼亚州这样的环境，其中有足够人员的高质量个人水平数据来识别新的艾滋病毒感染，这是罕见的事件，”Kaiser Permanente部门的Michael Silverberg博士，公共卫生硕士解释说。研究和论文的共同作者。

调查人员分析了电子健康记录中的81个变量，发现其中44个与预测艾滋病风险最相关。使用这44个变量的工具确定2.2%的人口在3年内具有高或极高的HIV感染风险。这一高风险组包括38.6%的新艾滋病毒感染者(在研究期间被诊断为艾滋病毒的69名男性中有46.4%或32名，但14名女性中没有一名)。

与其他人一样，该工具在确定有感染艾滋病毒风险的妇女方面受到限制。沃尔克博士解释说，这是因为女性的风险可能取决于其伴侣的风险因素，这些因素并未被工具中包含的变量所捕获。该工具在电子健康记录包含较少数据的患者中表现较差(因为他们是新登记者或访问护理较少)。

作者将他们的新工具与更简单的模型进行了比较，发现它确定了更多患有HIV的患者。重要的是，更简单的算法不太可能识别被感染的非裔美国人，而新工具对白人和非洲裔美国患者都表现良好。

Volk博士说，虽然获取各种患者信息对于Kaiser Permanente来说是一个优势，但其他医疗保健组织可以使用更少的电子健康记录变量来构建类似的算法。该研究发现仅包含6个变量的简单模型仍有助于识别有艾滋病风险的患者。

该工具可以纳入电子健康记录系统，以提醒初级保健提供者与最有可能从有关PrEP的讨论中受益的患者交谈。临床医生也可以借此机会解释药物制造商和公共资助计划的可用性，这些计划可能涵盖全部或部分药物的共付费用。本研究中确定的风险阈值标志着一小部分(2.2%)但在3年期间大量(13,463)患者作为基于HIV风险的PrEP的潜在候选者。该研究的作者指出，确定PrEP候选资格没有确定的HIV风险阈值，本研究中被标记为高风险的患者很少在研究期间接受PrEP。