DOI: https://doi.org/10.22146/jkesvo.107716
تاريخ النشر: 2026-02-13
المؤلف: Ardi Kurniawan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تبحث هذه الورقة البحثية في تطبيق خوارزميات التعلم الآلي لتصنيف حالة الإصابة بفيروس نقص المناعة البشرية، مع تسليط الضوء على التحدي المستمر الذي يشكله فيروس نقص المناعة البشرية/الإيدز على الصحة العالمية، حيث تأثر حوالي 39.9 مليون فرد في جميع أنحاء العالم اعتبارًا من عام 2023. تقيّم الدراسة عدة طرق للتعلم الآلي، بما في ذلك شجرة القرار، والغابة العشوائية، وXGBoost، وNaive Bayes، والانحدار اللوجستي، باستخدام مجموعة بيانات تضم 2000 ملاحظة لمرضى الإيدز من مستودع التعلم الآلي UCI. تم تقييم أداء النموذج من خلال مقاييس مثل الدقة، والدقة، والاسترجاع، وF1-score، حيث برز الانحدار اللوجستي كأفضل طريقة، محققًا دقة قدرها 88.4% وأظهر توازنًا متفوقًا عبر مقاييس التقييم.
تشير النتائج إلى أن المتغيرات المهمة التي تؤثر على حالة الإصابة بالإيدز تشمل مدة الملاحظة (الوقت)، والعلاج المضاد للفيروسات القهري السابق (preanti)، ووجود الأعراض، وانقطاع العلاج (offtrt)، وعدد خلايا CD420. لم ينجح الانحدار اللوجستي فقط في اجتياز اختبار هوسمر وليمشو (قيمة p = 0.365) ولكنه أظهر أيضًا Nagelkerke R-Square قدره 0.642، مما يبرز قوته. تختتم الدراسة بأن التعلم الآلي، وخاصة الانحدار اللوجستي، يمكن أن يعزز الكشف المبكر ويُعلم اتخاذ القرارات الطبية المستندة إلى البيانات بشأن الإيدز. وتدعو إلى مزيد من البحث باستخدام مجموعات بيانات أكبر وتقنيات تعلم آلي متقدمة، بالإضافة إلى دمج هذه النماذج في أنظمة المعلومات الصحية لتحسين تطبيقها في الخدمات الطبية والسياسات العامة.
مقدمة
تناقش مقدمة الورقة البحثية التحدي الكبير الذي يشكله متلازمة نقص المناعة المكتسبة (الإيدز)، المرحلة المتقدمة من عدوى فيروس نقص المناعة البشرية (HIV)، والتي تضعف الجهاز المناعي وتزيد من القابلية للإصابات الانتهازية والسرطانات. وفقًا لتقرير UNAIDS (2023)، يعيش حوالي 39.9 مليون فرد على مستوى العالم مع فيروس نقص المناعة البشرية، مع تسجيل 1.3 مليون إصابة جديدة و630,000 وفاة مرتبطة بالإيدز في عام 2023. في الولايات المتحدة، تحدث حوالي 50,000 إصابة جديدة سنويًا، مع أكثر من 20% من الأفراد المصابين بفيروس نقص المناعة البشرية غير مدركين لحالتهم. تؤكد الدراسة على الحاجة إلى أنظمة الرعاية الصحية المستندة إلى البيانات لتعزيز الكشف المبكر وتصنيف حالة الإصابة بفيروس نقص المناعة البشرية/الإيدز، خاصة بالنظر إلى تعقيدات خصائص المرضى التي تؤثر على تقدم المرض.
لمعالجة هذه التحديات، تستخدم الدراسة تقنيات التعلم الآلي لتحليل البيانات الثانوية من مستودع التعلم الآلي UCI، والتي تشمل بيانات سريرية من 1,000 مريض بالإيدز. تتكون مجموعة البيانات من 22 متغيرًا تنبؤيًا ومتغير استجابة واحد يشير إلى حالة الإصابة بالإيدز. تقارن الدراسة بين خمسة خوارزميات للتعلم الآلي—شجرة القرار، والغابة العشوائية، وExtreme Gradient Boosting (XGBoost)، وNaive Bayes، والانحدار اللوجستي—لتحديد الطريقة الأكثر فعالية في تصنيف حالة الإصابة بفيروس نقص المناعة البشرية/الإيدز. أشارت الدراسات السابقة إلى أن الغابة العشوائية وNaive Bayes حققتا معدلات دقة عالية، بينما تفوقت XGBoost باستمرار على الخوارزميات الأخرى في الأداء التنبؤي. تقدم هذه الدراسة نهجًا جديدًا من خلال تطبيق اختبار الاستقلالية Chi-Square أثناء معالجة البيانات لاختيار المتغيرات ذات الصلة، بهدف تقديم تقييم شامل لخوارزميات التصنيف. من المتوقع أن تساعد النتائج المهنيين في مجال الرعاية الصحية في تطوير استراتيجيات علاج شخصية وتساهم في صنع السياسات المستندة إلى الأدلة بما يتماشى مع أهداف التنمية المستدامة (SDGs) في الصحة.
الطرق
في هذه الدراسة، تم استخدام بيانات ثانوية من مستودع التعلم الآلي UCI، والتي تتكون من 2000 ملاحظة و23 متغيرًا تتعلق بخصائص مرضى فيروس نقص المناعة البشرية، كما أشار إليه هامر وآخرون (1996). من بين هذه المتغيرات، تم تخصيص 22 كمتغيرات تنبؤية، بينما كان المتغير المستهدف، “مصاب”، يشير إلى حالة الإصابة بالإيدز، مشفرًا كـ 1 للمصاب و0 لغير المصاب.
شملت المتغيرات التنبؤية مجموعة من العوامل السريرية والديموغرافية، بما في ذلك على سبيل المثال لا الحصر الوقت، والعلاج (Trt)، والعمر، والوزن، ومستويات الهيموغلوبين، والميول الجنسية (مثلي)، واستخدام المواد (المخدرات)، ودرجة كارنوفسكي، وتاريخ الأدوية السابقة، ومؤشرات مناعية مختلفة مثل خلايا CD40، وCD420، وCD80، وCD820. تهدف مجموعة البيانات الشاملة هذه إلى تسهيل تحليل العوامل المؤثرة على حالة الإصابة بالإيدز بين المرضى.
المناقشة
في هذه الدراسة، تم استخدام منهجية شاملة لتصنيف حالة الإصابة بالإيدز باستخدام خوارزميات التعلم الآلي المختلفة. بدأت البحث بمعالجة البيانات، والتي شملت اختيار الميزات عبر اختبار الاستقلالية Chi-square، وترميز التسميات للبيانات الفئوية، وتقليل العينة العشوائية لمعالجة عدم توازن البيانات. ثم تم تقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%). تم استخدام خمس خوارزميات تصنيف—أشجار القرار، والانحدار اللوجستي، وXGBoost، وNaïve Bayes، والغابة العشوائية—مع تقييم أداء النموذج من خلال مقاييس مثل الدقة، والدقة، والاسترجاع، وF1-score، الملخصة في مصفوفة الارتباك.
أشارت النتائج إلى أن الانحدار اللوجستي تفوق على الطرق الأخرى، محققًا دقة قدرها 88.4%، تلاه أشجار القرار (88%)، وXGBoost (87%)، وNaïve Bayes (78%)، والغابة العشوائية (45%). تم تحديد المتغيرات التنبؤية المهمة التي تشمل الوقت، وpreanti (العلاج المضاد للفيروسات القهري السابق)، ووجود الأعراض، وحالة انقطاع العلاج، وعدد خلايا CD420. خلصت الدراسة إلى أن الانحدار اللوجستي قدم أفضل توازن لمقاييس الأداء، مما يبرز إمكانيته في الكشف المبكر واتخاذ قرارات طبية مستنيرة بشأن الإيدز. شملت التوصيات للبحوث المستقبلية استخدام مجموعات بيانات أكبر وتقنيات تعلم آلي متقدمة، بالإضافة إلى دمج النموذج في أنظمة المعلومات الصحية للتطبيق العملي في الخدمات الطبية والسياسات العامة.
DOI: https://doi.org/10.22146/jkesvo.107716
Publication Date: 2026-02-13
Author(s): Ardi Kurniawan et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This research paper investigates the application of machine learning algorithms for classifying AIDS infection status, highlighting the persistent global health challenge posed by HIV/AIDS, with approximately 39.9 million individuals affected worldwide as of 2023. The study evaluates several machine learning methods, including Decision Tree, Random Forest, XGBoost, Naive Bayes, and Logistic Regression, using a dataset of 2,000 AIDS patient observations from the UCI Machine Learning Repository. Model performance was assessed through metrics such as accuracy, precision, recall, and F1-score, with logistic regression emerging as the most effective method, achieving an accuracy of 88.4% and demonstrating superior balance across evaluation metrics.
The findings indicate that significant variables influencing AIDS infection status include observation duration (time), prior antiretroviral treatment (preanti), symptom presence, treatment discontinuation (offtrt), and CD420 cell count. Logistic regression not only passed the Hosmer and Lemeshow test (p-value = 0.365) but also exhibited a Nagelkerke R-Square of 0.642, underscoring its robustness. The study concludes that machine learning, particularly logistic regression, can enhance early detection and inform data-driven medical decision-making regarding AIDS. It advocates for further research utilizing larger datasets and advanced machine learning techniques, as well as the integration of these models into health information systems to optimize their application in medical services and public policy.
Introduction
The introduction of the research paper discusses the significant public health challenge posed by Acquired Immune Deficiency Syndrome (AIDS), the advanced stage of Human Immunodeficiency Virus (HIV) infection, which compromises the immune system and increases susceptibility to opportunistic infections and cancers. According to the UNAIDS report (2023), approximately 39.9 million individuals globally live with HIV, with 1.3 million new infections and 630,000 AIDS-related deaths reported in 2023. In the United States, around 50,000 new infections occur annually, with over 20% of HIV-positive individuals unaware of their status. The study emphasizes the need for data-driven healthcare systems to enhance early detection and classification of HIV/AIDS infection status, particularly given the complexities of patient characteristics that influence disease progression.
To address these challenges, the study employs machine learning techniques to analyze secondary data from the UCI Machine Learning Repository, which includes clinical data from 1,000 AIDS patients. The dataset comprises 22 predictor variables and one response variable indicating AIDS infection status. The research compares five machine learning algorithms—Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost), Naive Bayes, and Logistic Regression—to identify the most effective method for classifying HIV/AIDS infection status. Previous studies have indicated that Random Forest and Naive Bayes achieved high accuracy rates, while XGBoost consistently outperformed other algorithms in predictive performance. This study introduces a novel approach by applying the Chi-Square independence test during data preprocessing to select relevant variables, aiming to provide a comprehensive evaluation of classification algorithms. The findings are anticipated to assist healthcare professionals in developing personalized treatment strategies and contribute to evidence-based policymaking aligned with the Sustainable Development Goals (SDGs) in health.
Methods
In this study, secondary data from the UCI Machine Learning Repository was utilized, comprising 2000 observations and 23 variables pertinent to HIV patient characteristics, as referenced by Hammer et al. (1996). Among these variables, 22 were designated as predictors, while the target variable, “Infected,” indicated the AIDS infection status, coded as 1 for infected and 0 for not infected.
The predictor variables encompassed a range of clinical and demographic factors, including but not limited to Time, Treatment (Trt), Age, Weight, Hemoglobin levels, sexual orientation (Homosexual), substance use (Drugs), Karnofsky Score, previous medication history, and various immunological markers such as CD40 cells, CD420, CD80, and CD820. This comprehensive dataset aims to facilitate the analysis of factors influencing AIDS infection status among patients.
Discussion
In this study, a comprehensive methodology was employed to classify AIDS infection status using various machine learning algorithms. The research began with data preprocessing, which included feature selection via the Chi-square independence test, label encoding of categorical data, and random undersampling to address data imbalance. The dataset was then split into training (80%) and testing (20%) subsets. Five classification algorithms—Decision Trees, Logistic Regression, XGBoost, Naïve Bayes, and Random Forest—were utilized, with model performance evaluated through metrics such as accuracy, precision, recall, and F1-score, summarized in a confusion matrix.
The results indicated that Logistic Regression outperformed the other methods, achieving an accuracy of 88.4%, followed by Decision Trees (88%), XGBoost (87%), Naïve Bayes (78%), and Random Forest (45%). Significant predictor variables identified included time, preanti (previous antiretroviral treatment), symptom presence, treatment discontinuation status, and CD420 cell count. The study concluded that Logistic Regression provided the best balance of performance metrics, highlighting its potential for early detection and informed medical decision-making regarding AIDS. Recommendations for future research included utilizing larger datasets and advanced machine learning techniques, as well as integrating the model into health information systems for practical application in medical services and public policy.