Predicción de tiempo de fracaso de un tratamiento antirretroviral mediante algoritmos de machine learning de supervivencia

Abstract

En este trabajo se realiza un estudio sobre el desempeño de los algoritmos de machine learning aplicados a los problemas de supervivencia. Se parte de una base de datos (la base de datos Lake) con multitud de datos faltantes, obtenida del ensayo clínico con el mismo nombre y en el que se ensayan dos tratamientos antirretrovirales. La problemática de los datos faltantes es tremendamente común en los estudios longitudinales, entre los que se encuentran los ansayos clínicos. Además se realiza una comparación de la eficacia de dos tratamientos antirretrovirales ensayados. Para ello se realiza todo un primer procesamiento de los datos para prepararlos para un procedimiento de imputación múltiple, llevado a cabo utilizando la librería MICE. Una vez realizada esta imputación, sobre la base de datos imputada se aplicaron 3 algoritmos de machine learning (bosque aleatorio de supervivencia, máquina de soporte vectorial de supervivencia, y boosting). Con el fin de comparar su desempeño, y utilizando las predicciones de los algoritmos se calculó el índice C de Harrell. Finalmente, mediante el test de Wilcoxon para muestras pareadas, se comparó la eficacia de los tratamientos antirretrovirales ensayados.

In this work, a study was carried out on the performance of machine learning algorithms applied to survival problems. The Lake database, obtained from a clinical trial named identically, was th chosen to carry on these protocol. In this clinical trial with antiretroviral treatments were tested. The problem of missing data is extremely common in longitudinal studies, wich include clinical trials. In addition, a comparison of the efficacy of the two antiretroviral treatments tested was made. Firstly, a data manegement process was carried out to prepare the data for a multiple imputation procedure, carried out using the MICE library. Once this imputation was made, 3 machine learning algorithms were applied to the imputed database (random survival forest, survival support vector machine, and boosting). In order to compare their performance, the predictions of the algorithms were used to calculate Harrell's C index. Finally, using the Wilcoxon test for paired samples, the efficacy of the antiretroviral treatments tested was compared.

En aquest treball es realitza un estudi sobre l'acompliment dels algorismes de machine learning aplicats als problemes de supervivència. Es parteix d'una base de dades (la base de dades Lake) amb multitud de dades que manca, obtinguda de l'assaig clínic amb el mateix nom i en el qual s'assagen dos tractaments antiretrovirals. La problemàtica de les dades que manca és tremendament comuna en els estudis longitudinals, entre els quals es troben els ansayos clínics. A més es realitza una comparació de l'eficàcia de dos tractaments antiretrovirals assajats. Per a això es realitza tot un primer processament de les dades per a preparar-los per a un procediment d'imputació múltiple, dut a terme utilitzant la llibreria MICE. Una vegada realitzada aquesta imputació, sobre la base de dades imputada es van aplicar 3 algorismes de machine learning (bosc aleatori de supervivència, màquina de suport vectorial de supervivència, i boosting). Amb la finalitat de comparar el seu acompliment, i utilitzant les prediccions dels algorismes es va calcular l'índex C de Harrell. Finalment, mitjançant el test de Wilcoxon per a mostres apariades, es va comparar l'eficàcia dels tractaments antiretrovirals assajats.