学习可解释干预措施以缓解印度五邦性工作者中的 HIV 传播
机器学习
2020-12-04 v1 计算机与社会
摘要
女性性工作者（FSWs）是社会中最脆弱和受污名化群体之一。因此，她们常缺乏优质的医疗可及性。从事健康服务改善的基层组通常面临因复杂影响而提升干预有效性的挑战。本工作结合结构学习、判别建模以及跨越印度五个邦的干预设计基层专业知识，以发现改善 FSWs 安全性行为中非显性因素的影响。通过学习引导式、集成平均的贝叶斯网络结构，从模型中揭示可最大化避孕套使用的因素并量化之。随后使用 XgBoost 与随机森林构建判别模型以预测避孕套使用行为。最佳模型在预测中达到 83% 灵敏度、99% 特异度及 99% 精确率-召回率曲线下面积。生成式与判别式建模方法均揭示财商培训是 FSWs 避孕套使用的主要影响因素与预测因子。这些见解已促成一项当前正在进行的实地试验，以评估该方法的现实效用。我们的工作凸显了在资源有限环境下，可解释模型用于透明发现与优先化女性性工作者抗 HIV 干预的潜力。
引用
@article{arxiv.2012.01930,
title = {Learning Explainable Interventions to Mitigate HIV Transmission in Sex Workers Across Five States in India},
author = {Raghav Awasthi and Prachi Patel and Vineet Joshi and Shama Karkal and Tavpritesh Sethi},
journal= {arXiv preprint arXiv:2012.01930},
year = {2020}
}
备注
Presented at NeurIPS 2020 Workshop on Machine Learning for the Developing World