目的：虽然高效抗逆转录病毒疗法能有效抑制获得性免疫缺陷综合征（AIDS）患者的疾病进程，但以血流感染为主的机会性感染，仍然是 HIV 感染者死亡的主要原因。目前尚无针对 HIV 合并血流感染患者的有效诊断策略。本研究旨在开发一种灵敏度高的人工智能诊断模型，以提高 HIV 合并血流感染患者的早期发现。
患者与方法：本研究回顾性分析 2014 年 9 月至 2021 年 7 月温州市中心医院收治的 498 例 HIV 感染者（171 例血流感阳性，327 例血流感阴性）的 40 个临床指标信息。基于两组患者的医院信息管理系统收集的临床特点、实验室和影像学检查结果和临床诊断结果筛选出风险因子。所有 HIV 感染者的诊断结果符合《中国艾滋病诊疗指南（2021 年版）》的诊断标准，血流感染患者的诊断符合《实用内科学（第 13 版）》败血症和菌血症的诊断标准。在此基础上，结合训练集中的 8 种人工智能算法建立不同的风险预测模型，并在测试集中验证模型诊断性能。诊断性能最好的模型被选为最终的诊断模型。
结果：这个地区艾滋病合并血流感染者的患者的病原体以真菌为主。低水平血红蛋白、CD4+T 细胞和血小板，高水平乳酸脱氢酶和尿素氮，脾肿大，未接受 ART 治疗，CT 影像具有条索影、结节影和休克这 10 个临床指标是艾滋病合并血流感染的高危因素。结合 10 个危险因素、年龄、性别和 “svmRadial” 模型可以有效鉴别 HIV 合并血流感染者，曲线下面积为 0.916，灵敏度和特异度分别为 0.824 和 0.855。
结论：通过内外部验证显示出该模型对 HIV 合并血流感染患者的优良诊断性能，揭示了该诊断模型具有较高的临床应用价值。
Keywords: acquired immunodeficiency syndrome, bloodstream infections, clinical risk factors, diagnosis, artificial intelligence model