Métodos de aprendizaje automático para la predicción de la distribución anormal de grasa, masa magra y/o masa ósea en individuos infectados por VIH

Abstract

El objetivo principal de este trabajo es el desarrollo de nuevos modelos de predicción de enfermedades relacionadas con la distribución de masa grasa, masa magra y tejido óseo en pacientes de VIH utilizando métodos de aprendizaje automático. Debido a la mejora en las terapias contra el VIH, los pacientes que padecen esta enfermedad tienen en muchos casos una esperanza de vida similar a la de una persona sana. Esto ha provocado un creciente interés en el tratamiento de patologías secundarias derivadas de este síndrome o su tratamiento. Algunas de las patologías secundarias más frecuentes en pacientes de VIH son las relacionadas con la distribución de ciertos tejidos, como la lipodistrofia, la sarcopenia o la osteoporosis y osteopenia. Para la realización del trabajo se ha comparado la eficiencia en la capacidad de predicción de estas enfermedades de un modelo tradicional de regresión logística frente a distintos modelos de aprendizaje automático. Los algoritmos utilizados son algunos de los más más usados en biomedicina: redes neuronales artificiales, support vector machines y random forest. Todos estos modelos se han implementado usando el lenguaje estadístico R. Los resultados obtenidos muestran que los modelos generados a partir estos modernos algoritmos son en la mayoría de los casos tan eficaces como el modelo clásico. En ciertas ocasiones es incluso posible conseguir resultados mejores utilizando modelos de aprendizaje automático. Esto abre interesantes posibilidades a la hora de mejorar la predicción de la aparición de estas patologías secundarias.

L'objectiu principal d'aquest treball és el desenvolupament de nous models de predicció de malalties relacionades amb la distribució de massa grassa, massa magra i teixit ossi en pacients de VIH utilitzant mètodes d'aprenentatge automàtic. Causa de la millora en les teràpies contra el VIH, els pacients que pateixen aquesta malaltia tenen en molts casos una esperança de vida similar a la d'una persona sana. Això ha provocat un creixent interès en el tractament de patologies secundàries derivades d'aquesta síndrome o el seu tractament. Algunes de les patologies secundàries més freqüents en pacients de VIH són les relacionades amb la distribució de certs teixits, com la lipodistròfia, la sarcopènia o l'osteoporosi i osteopènia. Per a la realització del treball s'ha comparat l'eficiència en la capacitat de predicció d'aquestes malalties d'un model tradicional de regressió logística enfront de diferents models d'aprenentatge automàtic. Els algoritmes utilitzats són alguns dels més més usats en biomedicina: xarxes neuronals artificials, support vector machines i random forest. Tots aquests models s'han implementat usant el llenguatge estadístic R. Els resultats obtinguts mostren que els models generats a partir aquests moderns algoritmes són en la majoria dels casos tan eficaços com el model clàssic. En certes ocasions és fins i tot possible aconseguir resultats millors utilitzant models d'aprenentatge automàtic. Això obre interessants possibilitats a l'hora de millorar la predicció de l'aparició d'aquestes patologies secundàries.

The objective of this work is the development of new prediction models for pathologies related to the distribution of fat mass, lean mass and bone tissue in HIV patients using machine learning methods. Due to the improvement in anti-HIV therapies, patients suffering from this disease have often a life expectancy similar to a healthy person. This fact has led to a growing interest in the treatment of secondary pathologies derived from this syndrome or its treatment. Some of the most frequent secondary pathologies in HIV patients are those related to the distribution of certain tissues, such as lipodystrophy, sarcopenia or osteoporosis and osteopenia. In this project the predictive efficiency of a traditional logistic regression model has been compared with different models created using machine learning. The algorithms used in this work are some of the most used in biomedicine: artificial neural networks, support vector machines and random forest. All of them have been implemented using the statistical language R. The results obtained show that the models generated with these modern algorithms are in most cases as effective as the classical regression model. Sometimes it is even possible to achieve better results using machine learning models. This work shows very promising possibilities in the prediction of the appearance of secondary pathologies in HIV patients using these novel techniques.