Exploring dimensionality reduction and machine learning methods for the prediction of body composition abnormalities among an HIV+ population

Abstract

El objetivo de este trabajo fin de máster ha sido el de predecir tres tipos de anomalías corporales relacionadas con la calidad de hueso (osteoporosis/osteopenia), la redistribución de grasa (lipodistrofia) y una baja masa muscular, para un conjunto de pacientes con VIH. Dichas anomalías son efecto de la terapia antiretroviral y la inflamación crónica del sistema inmune causada por el propio virus. Para la realización de este estudio, se dispuso de un conjunto de medidas corporales procedentes de un análisis DEXA; tres de ellas se usaron para establecer la presencia de cada enfermedad en base a valores de corte extraídos de la bibliografía. Varios tipos de modelos de predicción se construyeron usando distintos sets de variables, incluyendo variables originales y variables sintéticas creadas por análisis de componentes principales, clustering de variables y análisis factorial múltiple. Para la predicción de cada enfermedad, solo se usaron aquellas variables no-directamente relacionadas con ella. Se ajustaron modelos de regresión logística y de machine learning, incluyendo "ensembles" o conjuntos de modelos; los mejores modelos se seleccionaron en base a su ajuste y el valor de AUC obtenido. El uso de "ensembles" mejoró sensiblemente la predicción de lipodistrofia y baja masa muscular, con un funcionamiento excelente según la escala de valores de AUC. La predicción de osteoporosis/osteopenia mostró resultados aceptables pero mucho peores que para las otras dos anomalías, probablemente debido a que variables importantes en la definición de la calidad de hueso no estaban disponibles para la realización de este estudio.

The main aim of this study was to classify a set of patients with HIV as having different type of body abnormalities (i.e. osteoporosis/osteopenia, lipodystrophy, low muscle mass), caused by the antiretroviral therapy and the chronic inflammation of the immune system caused by the virus itself. Building classifiers may lead to earlier diagnose, decreasing health effects and improving life quality and expectancy of HIV+ patients. For this study, a set of measurements from a DEXA analysis was available; three of them were used to establish the presence of disease, based on cut-offs found at the bibliography. Models were built with original ("raw") variables and synthetic variables created by principal component analysis, multiple factor analysis and clustering of variables. For the prediction of each disease, just not-directly-related features were taken into account. Different type of classification methods were used, including logistic regression, machine learning and ensemble learning methods. Models were fitted using training datasets and validated using test datasets; "best" models were selected based upon their accuracy and AUC value. Ensemble models greatly improved prediction of lipodystrophy and low muscle mass, with models showing an excellent performance, demonstrating its capacity to extract subtle patterns from the data. Performance of models for the prediction of bone-related disease was just acceptable, probably due to the class-imbalance present and the lack of important variables related to the bone quality.

L'objectiu d'aquest treball fi de màster ha estat el de predir tres tipus d'anomalies corporals relacionades amb la qualitat d'os (osteoporosi / osteopènia), la redistribució de greix (lipodistròfia) i una baixa massa muscular, per a un conjunt de pacients amb VIH. Aquestes anomalies són efecte de la teràpia antiretroviral i la inflamació crònica del sistema immune causada pel mateix virus. Per a la realització d'aquest estudi, es va disposar d'un conjunt de mesures corporals procedents d'una anàlisi DEXA; tres d'elles es van usar per a establir la presència de cada malaltia a partir de valors de tall extrets de la bibliografia. Diversos tipus de models de predicció es van construir usant diferents sets de variables, incloses variables originals i variables sintètiques creades per anàlisi de components principals, clustering de variables i anàlisi factorial múltiple. Per a la predicció de cada malaltia, només es van usar les variables no-directament relacionades amb ella. Es van ajustar models de regressió logística i de machine learning, incloent-hi "ensembles" o conjunts de models; els millors models es van seleccionar segons el seu ajust i el valor d'AUC obtingut. L'ús d'"ensembles" va millorar sensiblement la predicció de lipodistròfia i baixa massa muscular, amb un funcionament excel·lent segons l'escala de valors d'AUC. La predicció d'osteoporosi / osteopènia va mostrar resultats acceptables però molt pitjors que per a les altres dues anomalies, probablement pel fet que variables importants en la definició de la qualitat d'os no estaven disponibles per a la realització d'aquest estudi.