Près de 85% des 1,7 million d'adolescents vivant au VIH vivent en Afrique subsaharienne, ainsi que la moitié des près de 40 millions de personnes dans le monde vivant avec le VIH. Bien que le gouvernement en Ouganda fournit gratuitement un traitement antirétroviral (ART), l'adhésion au régime par les adolescents âgés de 10 à 16 ans est faible, augmentant le potentiel de propagation du virus.
Claire Najjuuko, étudiante au doctorat à l'Université de Washington à St. Louis, a vu cela de première main tout en travaillant en tant que responsable de données à l'International Center for Child Health and Development (ICHAD) en Ouganda, fondée par Fred M. Ssewamala, le professeur éméritée William E. Gordon à l'école Brown à Washu. Gérant maintenant un doctorat dans la division des sciences informatiques et de données de Washu, Najjuuko, co-avisé par Ssewamala et Chenyang Lu, le professeur de Fullgraf au Département d'informatique et d'ingénierie à la McKelvey School of Engineering, a voulu utiliser l'intelligence artificielle et les sciences des données pour aider à améliorer la conformité adolescente avec le traitement dans les domaines à faible résolution. Les résultats de la recherche ont été publiés en ligne le 25 février 2025, dans sida.
J'ai un grand intérêt pour l'apprentissage automatique et je veux l'appliquer à des problèmes qui me parlent directement. Les collaborations entre l'IA for Health Institute dirigée par le professeur Lu et le Centre international pour la santé et le développement des enfants dirigés par le professeur Fred permettent particulièrement ce type de travail innovant. «
Claire Najjuuko, doctorante, Université de Washington à St. Louis
Avec le soutien de Lu et Ssewamala, Najjuuko a décidé de développer un modèle d'apprentissage automatique pour prédire quels adolescents atteints de VIH seraient moins susceptibles d'adhérer à la thérapie antirétrovirale. Avec de telles connaissances, les praticiens des soins de santé pourraient mettre en œuvre des interventions pour les personnes identifiées comme moins susceptibles d'adhérer au plan de traitement.
« La manière actuelle de la pratique est, les adolescents se rendent à la clinique chaque mois ou deux mois pour les recharges de médicaments, et un praticien de la santé vérifie le nombre de pilules que le patient a laissé par rapport à ce qui est attendu, ainsi que pour poser les questions des adolescents concernant les doses manquées pour établir si le patient adhère à la thérapie », a déclaré Najjuuko. « Ce projet pour prédire la future non-adhérence des adolescents peut avoir un réel impact s'il est mis en œuvre de la bonne manière. »
Pour former le modèle, Najjuuko a utilisé des données à partir d'un essai contrôlé randomisé en grappes de six ans de 39 cliniques du sud de l'Ouganda, une région la plus impactée par le VIH. L'ensemble de données d'adhésion Suubi + comprenait des adolescents entre 10 et 16 ans, diagnostiqués médicalement avec le VIH, conscients de leur statut, inscrits à l'art dans l'une des cliniques et vivant au sein d'une famille. En fin de compte, les modèles ont analysé les données de 647 patients qui avaient des données complètes sur le résultat à 48 mois.
Najjuuko a développé un modèle d'apprentissage automatique pour prédire la non-adhérence à la thérapie antirétrovirale en incorporant des facteurs socio-comportementaux et économiques aux côtés des antécédents d'adhésion d'un patient. Le modèle identifie avec précision 80% des adolescents à risque de non-adhérence tout en abaissant le taux de fausses alarmes à 52% – 14 points de pourcentage inférieurs à un modèle basé uniquement sur les antécédents d'adhésion. En réduisant les fausses alarmes, ce modèle aide les prestataires de soins de santé aux interventions de concentration sur ceux qui en ont le plus besoin, améliorant les résultats pour les patients tout en réduisant les suivis inutiles et la fatigue des prestataires.
Parmi 50 variables, qui comprenaient des facteurs sociaux, interpersonnels, familiaux, éducatifs, structurels et économiques, le modèle a trouvé 12 qui étaient les plus prédictifs d'un individu ayant une mauvaise adhésion à l'art. Les facteurs économiques étaient fortement associés à la non-adhérence future. D'autres caractéristiques prédictives étaient les mauvais antécédents d'adhésion; la pauvreté des enfants; relation biologique avec le soignant primaire; concept de soi; confiance dans l'économie d'argent; discuter de sujets sensibles avec les soignants; Taille des ménages; et inscription scolaire.
« Les adolescents sont le groupe le plus non adhérent à travers le monde », a déclaré Ssewamala. « Ils se déplacent dans l'indépendance et ne veulent pas se dire quoi faire. Au fur et à mesure qu'ils se déplacent dans la période de rencontres, il y a beaucoup de stigmatisation, et ils ne veulent pas être associés au VIH. »
Un facteur que l'équipe a trouvé était associé à des adolescents à l'adhésion au VIH à l'art-thérapie était d'avoir un compte d'épargne.
« La théorie est lorsque les gens possèdent des ressources, surtout lorsqu'ils ont un œuf de nid, ils pensent et se comportent différemment », a déclaré Ssewamala. « L'avenir est prometteur, donc ils prendront soin d'eux-mêmes afin qu'ils puissent vivre plus longtemps. Quand les gens sont sans espoir, ils n'ont rien à perdre. »
Il est difficile d'adhérer au traitement, a déclaré Ssewamala, car le médicament doit être pris avec de la nourriture ou provoque des nausées. Si une personne vivant n'a pas accès à la nourriture ou au transport pour obtenir le médicament, elle est moins susceptible d'adhérer au traitement.
Lu a déclaré que ce modèle pourrait être adapté au déploiement dans le domaine pour soutenir les stratégies d'intervention personnalisées basées sur les facteurs de risque identifiés, soulignant l'importance de la collaboration.
« Il s'agit d'un excellent exemple de recherche interdisciplinaire à Washu, combinant l'IA et la santé mondiale », a déclaré Lu. « En tirant parti des données que l'équipe de Fred a recueillies sur le terrain et de leurs idées sur les problèmes de santé complexes, nous appliquons une expertise en IA pour analyser ces données et construire des outils pour améliorer les résultats pour la santé. »
