Aplicación de métodos de aprendizaje automático para el estudio del análisis de supervivencia en pacientes infectados por el VIH

Abstract

El análisis de supervivencia tiene como objetivo analizar y modelar datos donde el resultado es el tiempo hasta que ocurre un evento de interés. Uno de los principales desafíos en este contexto es la presencia de instancias cuyos resultados de eventos se vuelven inobservables después de un cierto momento, sea porque no se hace un seguimiento suficientemente largo o porque no presentaran el evento estudiado (llamado censura). Actualmente se están desarrollando muchos algoritmos de aprendizaje automático adaptados para analizar datos censurados. Así pues, se define como objetivo del TFM estudiar los métodos existentes de aprendizaje automático en el contexto descrito, buscar el/los métodos/s más adecuado/s para estudiar el tiempo hasta fracaso al tratamiento antirretroviral en una cohorte de pacientes infectados por el VIH. Este proyecto busca crear herramientas de descripción que permitan resumir la información que contienen los datos y generar un modelo que nos ayude a clasificar a los pacientes según la distribución del tiempo hasta el fracaso virológico. Para ello, se tiene la base de datos 'dsurv' del estudio 'Instinct', que contiene 342 variables de 995 pacientes que han sido seguidos y evaluados en diferentes momentos de tiempo, dando lugar a una base desbalanceada y heterogénea. En la memoria analizaremos cómo el tipo de tratamiento que recibe el paciente y la realización de las pruebas de mutaciones en la integrasa, la proteasa y la transcriptasa inversa pueden influir en el fracaso virológico, o en el aumento de la probabilidad de supervivencia a lo largo del tiempo.

Survival analysis aims to analyze and model data where the result is the time until an event of interest occurs. One of the main challenges in this context is the presence of instances whose event results become unobservable after a certain moment, either because there is not a long enough follow-up or because they did not present the studied event (called censorship). Many adapted machine learning algorithms are currently being developed to analyze censored data. Thus, the objective of the TFM is defined to study the existing methods of machine learning in the described context, to find the most suitable method / s to study the time to failure of antiretroviral treatment in a cohort of patients infected with HIV. This project seeks to create description tools that allow summarizing the information contained in the data and generating a model that helps us classify patients according to the distribution of time until virological failure. To do this, we have the 'dsurv' database from the 'Instinct' study, which contains 342 variables from 995 patients who have been followed and evaluated at different points in time, giving rise to an unbalanced and heterogeneous base. In the project, we will analyze how the type of treatment that the patient receives and the performance of tests for mutations in integration, protection and reverse transcription can influence virological failure, or increase the probability of survival over time.

L'anàlisi de supervivència té com a objectiu analitzar i modelar dades on el resultat és el temps fins que té lloc un esdeveniment d'interès. Un dels principals desafiaments en aquest context és la presència d'instàncies els resultats d'esdeveniments de les quals es tornen inobservables després d'un cert moment, sigui perquè no es fa un seguiment prou llarg o perquè no presentaven l'esdeveniment estudiat (anomenat censura). Actualment s'estan desenvolupant molts algorismes d'aprenentatge automàtic adaptats per a analitzar dades censurades. Així doncs, es defineix com a objectiu del TFM estudiar els mètodes existents d'aprenentatge automàtic en el context descrit, buscar el/els mètodes/s més adequat/s per a estudiar el temps fins a fracàs al tractament antiretroviral en una cohort de pacients infectats pel VIH. Aquest projecte busca crear eines de descripció que permetin resumir la informació que contenen les dades i generar un model que ens ajudi a classificar als pacients segons la distribució del temps fins al fracàs virològic. Per això, es té la base de dades 'dsurv' de l'estudi 'Instinct', que conté 342 variables de 995 pacients que han estat seguits i avaluats en diferents moments de temps, donant lloc a una base desbalancejada i heterogènia. En la memòria analitzarem com el tipus de tractament que rep el pacient i la realització de les proves de mutacions en la integrasa, la proteasa i la transcriptasa inversa poden influir en el fracàs virològico, o en l'augment de la probabilitat de supervivència al llarg del temps.