Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals

Abstract

Lipodystrophy is an alteration of body fat distribution associated to HIV and its pharmacological treatment, which can be a risk factor for other health problems, so its identification and prediction may contribute to improve the quality of life of these patients. The goal of this work was to apply machine learning (ML) methods to a real dataset containing DXA-derived measures of bone mineral density, lean mass and fat mass from a sample of HIV-infected patients, with repeated measures, aiming to develop tools for identifying and predicting the evolution of lipodystrophy. First, correlational methods and PCA were used to examine data structure, and results showed high correlations among variables, with 6 principal components explaining more than 90% of the original variance contained in 58 variables. ML models showed, cross-sectionally, a very precise classification performance of lipodystrophy cases when variables quantifying fat mass or percentage were included in the models, but poor performance if prediction was based on other body tissues. To incorporate the longitudinal structure, linear mixed models and a combined approach (MEml, Mixed Effects machine learning) were used. Both methods showed good predictive capacity. MEml models allow, in addition, the longitudinal prediction of lipodystrophy. Results highlight the potential of ML methods for classification and prediction of body tissue distribution alterations in the context of HIV infection.

La lipodistrofia es una alteración en la distribución de la grasa corporal asociada al VIH y su tratamiento farmacológico, que puede ser factor de riesgo para otros problemas de salud, por lo que su identificación y predicción pueden contribuir a mejorar la calidad de vida de estos pacientes. El objetivo de este trabajo era aplicar métodos de machine learning (ML) a una base de datos real con medidas de densidad ósea, masa magra y masa grasa obtenidas mediante DEXA de una muestra de pacientes con infección por VIH, con medidas repetidas, buscando desarrollar herramientas para identificar la lipodistrofia y predecir su evolución. Primero se estudió la estructura de los datos mediante métodos correlacionales y PCA, encontrando altas correlaciones entre variables, con 6 componentes principales que podían explicar más del 90% de la varianza original contenida en 58 variables. Los modelos de ML mostraron, a nivel transversal, una clasificación muy precisa de la lipodistrofia si se incluían en el modelo variables cuantificando la masa grasa, pero un rendimiento pobre si se intentaba predecir la lipodistrofia a partir de otros tejidos. Para incorporar la estructura longitudinal, se utilizaron modelos lineales mixtos y una aproximación combinada (MEml, Mixed Effects machine learning). Ambas técnicas mostraron una buena capacidad predictiva. El método de MEml permite además predecir la lipodistrofia a nivel longitudinal. Los resultados indican el potencial de los métodos de ML para la clasificación y predicción de las alteraciones en la distribución de los tejidos corporales en el iv contexto de la infección por VIH.

La lipodistròfia és una alteració en la distribució del greix corporal associada a VIH i el seu tractament farmacològic, que pot ser factor de risc per a altres problemes de salut, pel que la seva identificació i predicció poden contribuir a millorar la qualitat de vida d'aquests pacients. L'objectiu d'aquest treball era aplicar mètodes de machine learning (ML) a una base de dades real amb mesures de densitat òssia, massa magra i massa grassa obtingudes mitjançant DEXA d'una mostra de pacients amb infecció per VIH, amb mesures repetides, buscant desenvolupar eines per identificar la lipodistròfia i predir la seva evolució. Primer es va estudiar l'estructura de les dades mitjançant mètodes correlacionals i PCA, trobant altes correlacions entre variables, amb 6 components principals que podien explicar més de l'90% de la variància original continguda en 58 variables. Els models de ML van mostrar, a nivell transversal, una classificació molt precisa de la lipodistròfia si s'incloïen en el model variables quantificant la massa grassa, però un rendiment pobre si s'intentava predir la lipodistròfia a partir d'altres teixits. Per incorporar l'estructura longitudinal, es van utilitzar models lineals mixtos i una aproximació combinada (MEml, Mixed Effects machine learning). Totes dues tècniques van mostrar una bona capacitat predictiva. El mètode de MEml permet a més predir la lipodistròfia a nivell longitudinal. Els resultats indiquen el potencial dels mètodes de ML per a la classificació i predicció de les alteracions en la distribució dels teixits corporals en el IV context de la infecció per VIH.