Use of machine learning algorithms for analysing viral cure after antiretroviral treatment in HIV+ patients

Abstract

The main aim of this project was to apply survival analysis and machine learning algorithms to study viral cure in patients infected with Human immunodeficiency virus (HIV) from a clinical trial study after treatment with antiretroviral agents. One of the main challenges in this context is the presence of instances whose event results become unobservable after a certain moment, either due to an insufficiently long follow-up or because they did not present the event studied (called censorship). Currently, several machine learning algorithms adapted to analyse censored data are being developed. The objective of this Master thesis was to study three existing machine learning methods in the context described: Naïve Bayes, Artificial Neural Networks and Logistic regression and compare them with classical statistical methods. Towards this aim a database of a clinical trial has been used, containing real data on time to failure of antiretroviral treatment in patients infected with HIV+. The database required handling the missing data which was carried out by MICE algorithm. Two tested antiretroviral agents appear to have a similar effectiveness in treating HIV infection. After applying the selected machine learning algorithms to study viral cure, their performance was not higher than classfcal statistical models (Cox model), even after optimization. Nevertheless, the performance obtained with the three tested machine learning methods was high enough to consider further optimization of these algorithms in this field.

En este proyecto he aplicado análisis de supervivencia y algoritmos de aprendizaje automático para estudiar la curación viral en pacientes infectados con el virus de la inmunodeficiencia humana (VIH) a partir de un estudio de ensayo clínico con agentes antirretrovirales. Uno de los principales desafíos en este contexto es la presencia de instancias cuyos resultados son inobservables después de cierto momento, bien por un seguimiento insuficiente o porque no presentaron el evento estudiado (censura). Actualmente, se están desarrollando varios algoritmos de aprendizaje automático adaptados para analizar datos censurados. He estudiado tres métodos de aprendizaje automático existentes en el contexto descrito: Naïve Bayes, Redes neuronales artificiales y Regresión logística y los he comparado con métodos estadísticos clásicos. Se ha utilizado una base de datos de un ensayo clínico, que contiene datos reales sobre el tiempo hasta el fracaso del tratamiento antirretroviral en pacientes infectados por el VIH. La base de datos requirió el manejo de los datos faltantes que se llevó a cabo mediante el algoritmo MICE. Tras el análisis de supervivencia, los dos agentes antirretrovirales probados parecen tener una eficacia similar en el tratamiento de la infección por VIH. Después de aplicar los algoritmos de aprendizaje automático seleccionados para estudiar la cura viral, su rendimiento no fue superior al de los modelos estadísticos clásicos (modelo de Cox), incluso después de la optimización. Sin embargo, el rendimiento obtenido con los tres métodos de aprendizaje automático probados fue lo suficientemente alto como para considerar una mayor optimización de estos algoritmos en este campo.

En aquest projecte he aplicat anàlisi de supervivència i algorismes d'aprenentatge automàtic per a estudiar la curació viral en pacients infectats amb el virus de la immunodeficiència humana (VIH) a partir d'un estudi d'assaig clínic amb agents antiretrovirals. Un dels principals desafiaments en aquest context és la presència d'instàncies els resultats de les quals són inobservables després d'un cert moment, bé per un seguiment insuficient o perquè no van presentar l'esdeveniment estudiat (censura). Actualment, s'estan desenvolupant diversos algorismes d'aprenentatge automàtic adaptats per a analitzar dades censurades. He estudiat tres mètodes d'aprenentatge automàtic existents en el context descrit: Naïve Bayes, Xarxes neuronals artificials i Regressió logística i els he comparat amb mètodes estadístics clàssics. S'ha utilitzat una base de dades d'un assaig clínic, que conté dades reals sobre el temps fins al fracàs del tractament antiretroviral en pacients infectats pel VIH. La base de dades va requerir el maneig de les dades que manca que es va dur a terme mitjançant l'algorisme MICE. Després de l'anàlisi de supervivència, els dos agents antiretrovirals provats semblen tenir una eficàcia similar en el tractament de la infecció per VIH. Després d'aplicar els algorismes d'aprenentatge automàtic seleccionats per a estudiar la cura viral, el seu rendiment no va ser superior al dels models estadístics clàssics (model de Coix), fins i tot després de l'optimització. No obstant això, el rendiment obtingut amb els tres mètodes d'aprenentatge automàtic provats va ser prou alt com per a considerar una major optimització d'aquests algorismes en aquest camp.