Tijdens EACS presenteerde hoogleraar Biostatistiek en Epidemiologie Giota Touloumi van de Universiteit van Athene een machinelearningmodel dat het risico kan voorspellen op ernstige niet-aidsgerelateerde aandoeningen na het starten van antiretrovirale therapie.1
Ernstige niet-aidsgerelateerde aandoeningen zijn tegenwoordig een van de belangrijkste oorzaken van morbiditeit en mortaliteit bij mensen met hiv. Denk aan hart- en vaatziekten, nierfalen, leverziekte en maligniteiten. Tot nu ontbreken echter nauwkeurige voorspellende modellen om het risico op zulke aandoeningen in te schatten.
Patronen herkennen
Machinelearning is een leervorm waarbij kunstmatige intelligentie (AI) een patroon in data herkent. In dit geval is het algoritme ontwikkeld met gegevens uit de Athens Multicenter AIDS Cohort Study (AMACS). Dit cohort bevat gegevens van 7.962 mensen met hiv, mediane leeftijd 44 jaar (bereik 37-55), die sinds 2000 antiretrovirale therapie gebruikten en van wie er 492 (6,2%) een niet-aidsgerelateerde aandoening ontwikkelden.
8 voorspellers
Van 34 onderzochte klinische, biochemische en hematologische variabelen kwamen er 8 als belangrijkste voorspellers naar voren via Random Survival Forest-analyse, een geavanceerde techniek om de voorspellende nauwkeurigheid te verbeteren. De 8 voorspellers zijn leeftijd, systolische bloeddruk, albumine, HDL-cholesterol, gamma-GT, amylase, triglyceriden en urinezuur. Zowel het machinelearningmodel als een analyse met het traditionele Cox-model leverden een sterke voorspellende waarde op, met een AUC van 77% na 5 jaar en 74% na 10 jaar. Dat betekent dat de nauwkeurigheid nauwelijks afneemt naarmate de tijdshorizon langer wordt.
Risico’s en beschermers
Hogere bloeddruk, triglyceriden, gamma-GT en amylase waren geassocieerd met een groter risico op ernstige niet-aidsgerelateerde aandoeningen, terwijl hogere albumine- en HDL-waarden juist beschermend werkten. “Omdat deze variabelen standaard in de klinische praktijk worden bepaald, is ons algoritme eenvoudig toepasbaar,” zegt Touloumi. Daarmee biedt het model straks de mogelijkheid om gepersonaliseerde risicoprofielen te genereren en eerder preventieve maatregelen in te zetten. Het model wordt nu gevalideerd in andere cohorten.
Bron:
Baralou V, Thomadakis C, Vasalou V, et al. A machine learning-based prognostic algorithm for serious non-aids events after initiation of antiretroviral therapy. EACS 2025, oral session PS10.2.