Problem niskiej adherencji do terapii antyretrowirusowej wśród nastolatków żyjących z wirusem HIV stanowi jedno z największych wyzwań w krajach Afryki subsaharyjskiej. Według danych, aż 85% z 1,7 miliona nastolatków z HIV mieszka właśnie w tej części świata, gdzie także znajduje się połowa wszystkich osób zakażonych wirusem HIV. Uganda, podobnie jak inne kraje regionu, oferuje swoim obywatelom darmową terapię antyretrowirusową (ART), lecz w przypadku młodych ludzi w wieku 10-16 lat skuteczność tej terapii jest niska – głównie ze względu na trudności w przestrzeganiu regularnego przyjmowania leków.
Claire Najjuuko, doktorantka na Washington University w St. Louis, miała okazję przekonać się o skali tego problemu pracując jako menedżerka danych w Międzynarodowym Centrum Zdrowia Dziecka i Rozwoju (ICHAD) w Ugandzie, organizacji założonej przez profesora Freda M. Ssewamalę. W ramach swojego projektu badawczego postanowiła wykorzystać sztuczną inteligencję i analizę danych, aby poprawić adherencję do leczenia HIV wśród młodzieży w regionach o niskich zasobach medycznych. Wyniki jej badań zostały opublikowane 25 lutego 2025 roku w czasopiśmie naukowym AIDS.
Współpraca między Instytutem Sztucznej Inteligencji dla Zdrowia, kierowanym przez profesora Chenyanga Lu, a Międzynarodowym Centrum Zdrowia Dziecka i Rozwoju umożliwiła realizację tego ambitnego projektu. Dzięki wsparciu Lu i Ssewamali, Najjuuko opracowała model uczenia maszynowego, który przewiduje, którzy nastolatkowie mają większe ryzyko niestosowania się do terapii ART. Uzyskanie takich informacji może pomóc pracownikom ochrony zdrowia wdrożyć ukierunkowane interwencje, zanim problem stanie się poważniejszy.
W obecnej praktyce lekarze oceniają adherencję pacjentów poprzez comiesięczne wizyty w klinikach, gdzie sprawdzają liczbę pozostających leków i przeprowadzają wywiady z pacjentami na temat ewentualnych pominiętych dawek. Model opracowany przez Najjuuko ma szansę znacząco uprościć ten proces, przewidując potencjalne problemy z adherencją jeszcze zanim wystąpią.
Aby nauczyć system analizować przypadki, Najjuuko wykorzystała dane z trwającego sześć lat randomizowanego badania klinicznego obejmującego 39 klinik w południowej Ugandzie. Dane obejmowały grupę 647 nastolatków w wieku 10-16 lat zakażonych HIV, którzy byli świadomi swojego stanu, stosowali ART i znajdowali się pod opieką rodzin. Model opierał się na analizie różnorodnych czynników społecznych, behawioralnych i ekonomicznych, które mają wpływ na regularne stosowanie terapii.
Wyniki badań pokazały, że model uczenia maszynowego był w stanie przewidzieć aż 80% przypadków niestosowania się do terapii przez adolescentów, jednocześnie minimalizując fałszywe alarmy do 52%. To aż o 14 punktów procentowych mniej niż tradycyjny model oparty wyłącznie na historii adherencji pacjenta. Tak precyzyjne prognozowanie pozwala skupić wysiłki medyczne na tych osobach, które faktycznie potrzebują dodatkowego wsparcia, jednocześnie zmniejszając niepotrzebne interwencje oraz odciążając system opieki medycznej.
Wśród 50 analizowanych zmiennych, model wytypował 12 najważniejszych czynników mających wpływ na adherencję do ART u nastolatków. Wśród nich kluczową rolę odegrały kwestie ekonomiczne – młodzi pacjenci z ubogich rodzin wykazywali znacząco większe ryzyko niestosowania się do terapii. Dodatkowo istotne okazały się takie czynniki jak wcześniejsze historie słabej adherencji, status materialny rodziny, relacje z opiekunami, samoocena, umiejętność oszczędzania pieniędzy, gotowość do rozmowy na tematy wrażliwe z opiekunami, wielkość gospodarstwa domowego oraz status szkolny.
Profesor Ssewamala zwrócił uwagę, że nastolatkowie na całym świecie są grupą najbardziej narażoną na niestosowanie się do zaleceń medycznych. Wiek dorastania to czas zdobywania niezależności, a przymus stałego przyjmowania leków może być postrzegany jako forma ograniczenia. Dodatkowym problemem jest społeczna stygmatyzacja – młodzi ludzie często obawiają się, że ich status HIV może negatywnie wpłynąć na ich życie towarzyskie i relacje miłosne.
Interesującym odkryciem było to, że posiadanie konta oszczędnościowego przez nastolatków zakażonych HIV miało pozytywny wpływ na ich stosowanie się do terapii. Według Ssewamali, ludzie posiadający jakiekolwiek oszczędności zaczynają myśleć o przyszłości w bardziej optymistyczny sposób, co motywuje ich do dbania o swoje zdrowie. W przeciwnym razie mogą czuć się beznadziejnie i ignorować konsekwencje niestosowania się do leczenia.
Profesor Lu podkreślił, że opracowany model można zaadaptować do wykorzystania w polu medycznym, aby lepiej dopasować strategie interwencyjne do indywidualnych ryzyk pacjentów. Połączenie sztucznej inteligencji z globalnym zdrowiem otwiera nowe możliwości w dziedzinie poprawy opieki zdrowotnej w krajach rozwijających się. Dzięki analizie danych zebranych przez zespół Ssewamali możliwe było stworzenie narzędzia, które może realnie przyczynić się do skuteczniejszego leczenia młodych pacjentów z HIV.