Search

En los últimos años se ha ido generalizando el uso de datos de salud en formato electrónico (EHR) que se han recogido de forma masiva en sistemas EHR. Aunque inicialmente dichos datos tenían una función puramente administrativa se han ido extendiendo sus objetivos hasta abarcar tanto un uso médico como de investigación. Un ejemplo de EHR lo constituye el conjunto de datos MIMIC III, que recoge datos de salud de más de 55000 pacientes ingresados en cuidados intensivos. Este estudio se ha centrado en obtener un modelo de predicción de mortalidad a 30 días en pacientes ingresados con insuficiencia respiratoria aguda mediante técnicas de machine learning (ML) y comparar su resultado con 2 scores de uso habitual en UCI: OASIS y SAPS II. Para encontrar el mejor modelo de clasificación se han usado tanto algoritmos de ML como redes neuronales profundas. El mejor modelo obtenido en el grupo test se corresponde con la regresión logística, logrando un AUC de 0.71. Este resultado es ligeramente superior al obtenido con los scores SAPS II y OASIS (AUC 0.69 y 0.63, respectivamente). Podemos concluir, por tanto, que el uso de técnicas de ML puede mejorar los scores habituales de predicción de mortalidad. No obstante, aún existe un rendimiento limitado al aplicar dichas técnicas a cohortes específicas de pacientes, por lo que se hacen necesarios más estudios de este tipo en los que se aplique ML para predecir mortalidad a pacientes que comparten procesos patológicos similares, más que aplicar dichas técnicas de forma general. En els últims anys s'ha anat generalitzant l'ús de dades de salut en format electrònic (EHR) que s'han recollit de manera massiva en sistemes EHR. Encara que inicialment aquestes dades tenien una funció purament administrativa s'han anat estenent els seus objectius fins a abastar tant un ús mèdic com de recerca. Un exemple de EHR el constitueix el conjunt de dades MIMIC III, que recull dades de salut de més de 55000 pacients ingressats en vigilància intensiva. Aquest estudi s'ha centrat en obtenir un model de predicció de mortalitat a 30 dies en pacients ingressats amb insuficiència respiratòria aguda mitjançant tècniques de machine learning (ML) i comparar el seu resultat amb 2 scores d'ús habitual en UCI: OASI i SAPS II. Per a trobar el millor model de classificació s'han usat tant algorismes de ML com xarxes neuronals profundes. El millor model obtingut en el grup test es correspon amb la regressió logística, aconseguint un AUC de 0.71. Aquest resultat és lleugerament superior a l'obtingut amb els scores SAPS II i OASIS (AUC 0.69 i 0.63, respectivament). Podem concloure, per tant, que l'ús de tècniques de ML pot millorar els scores habituals de predicció de mortalitat. No obstant això, encara existeix un rendiment limitat en aplicar aquestes tècniques a cohorts específiques de pacients, per la qual cosa es fan necessaris més estudis d'aquest tipus en els quals s'apliqui ML per a predir mortalitat a pacients que comparteixen processos patològics similars, més que aplicar aquestes tècniques de manera general. In recent years, the use of electronic health data (EHR) has become increasingly widespread and has been massively collected in EHR systems. Although these data initially had a purely administrative function, their objectives have been extended to include both medical and research use. An example of an EHR is the MIMIC III dataset, which collects health data from more than 55,000 intensive care inpatients. This study has focused on obtaining a 30-day mortality prediction model for patients admitted with acute respiratory failure using machine learning (ML) techniques and comparing its result with 2 commonly used ICU scores: OASIS and SAPS II. Both ML algorithms and deep neural networks were used to find the best classification model. The best model obtained in the test group corresponds to logistic regression, achieving an AUC of 0.71. This result is slightly higher than that obtained with the SAPS II and OASIS scores (AUC 0.69 and 0.63, respectively). We can conclude, therefore, that the use of ML techniques can improve the usual mortality prediction scores. However, there is still limited performance when applying these techniques to specific cohorts of patients, so more studies of this type are needed in which ML is applied to predict mortality in patients who share similar pathological processes, rather than applying these techniques in a general way.

En el presente trabajo hemos utilizado una base de datos real, del paquete survival, para poder testear si existía una mejora en la performance en la utilización de diferentes modelos de supervivencia. Luego de hacer una discusión conceptual sobre cuatro modelos, un modelo paramétrico, uno semi paramétrico, otro no paramétrico, y otro dentro de la categoría de machine learning, hemos evidenciado que los modelos tienen performances diferentes. Posiblemente la respuesta a esta mejora en la performance radique en la utilización de los datos censurados en forma diferente dentro del desarrollo de cada modelo, según se evidencia en la teoría analizada en el presente trabajo. La hipótesis anterior la fundamentamos en el hecho que el modelo que mejor performance tiene, medido por el C-index, es el modelo de regresión logística multitarea (MTLR) el cual es esencialmente una colección de modelos de regresión logística construidos en diferentes intervalos de tiempo para determinar la probabilidad de que el evento de interés ocurriera durante cada intervalo. Los resultados proporcionados por el MTLR son similares al modelo CoxPH sin basarse en la suposición de CoxPH de que la función de peligro para los dos sujetos es constante en el tiempo. La mejora de performance del MTLR respecto al modelo Cox, el más cercano en performance, fue de aproximadamente un 6%. En el present treball hem utilitzat una base de dades real, del paquet survival, per a poder testar si existia una millora en la performance en la utilització de diferents models de supervivència. Després de fer una discussió conceptual sobre quatre models, un model paramètric, un semi paramètric, un altre no paramètric, i un altre dins de la categoria de machine learning, hem evidenciat que els models tenen performances diferents. Possiblement la resposta a aquesta millora en la performance radica en la utilització de les dades censurades en forma diferent dins del desenvolupament de cada model, segons s'evidencia en la teoria analitzada en el present treball. La hipòtesi anterior la fonamentem en el fet que el model que millor performance té, mesurat pel C-index, és el model de regressió logística multitasca (MTLR) el qual és essencialment una col·lecció de models de regressió logística construïts en diferents intervals de temps per a determinar la probabilitat que l'esdeveniment d'interès ocorregués durant cada interval. Els resultats proporcionats pel MTLR són similars al model CoxPH sense basar-se en la suposició de CoxPH que la funció de perill per als dos subjectes és constant en el temps. La millora de performance del MTLR respecte al model Coix, el més pròxim en performance, va anar d'aproximadament un 6%. In the present work we have used a real database, from the survival package, to be able to test if there was an improvement in performance in the use of different survival models. After making a conceptual discussion about four models, a parametric model, a semiparametric model, a non-parametric model, and another within the category of machine learning, we have shown that the models have different performances. Possibly the answer to this improvement in performance lies in the use of censored data differently within the development of each model, as evidenced in the theory analysed in this paper. We base the previous hypothesis on the fact that the model that has the best performance, measured by the C-index, is the multitask logistic regression (MTLR) model, which is essentially a collection of logistic regression models built at different time intervals. To determine the probability that the event of interest would occur during each interval. The results provided by the MTLR are similar to the CoxPH model without relying on the CoxPH assumption that the hazard function for the two subjects is constant over time. The performance improvement of the MTLR over the Cox model, the closest in performance, was approximately 6%.

Machine learning is an emerging area that creates computer systems that by using algorithms and statistical models are capable of learning from existing data and making inferences to new data. The development of machine learning models has been a tool for working with large databases such as electronic health records to improve healthcare quality, efficiency, clinical research and capture billing data. The main objective of this TFM has been to infer on patients¿ survival prediction using an electronic health record and through the implementation of three machine learning classification algorithms. To do this, a basic protocol for beginners in machine learning has been developed which consists of six steps: (1) an exploratory analysis of the data with univariate and bivariate statistical analysis, (2) cleaning and curing of the data so that it can be analyzed, (3) multivariate analysis to know the relationship of predictive variables and their interaction with the response variable, (4) application of 3 of the most common machine learning classification models, (5) validation using k-fold cross-validation technique, (6) finally an evaluation and comparison of the generated models by means of some parameters such as balanced accuracy and AUC. El aprendizaje automático es un área emergente que crea sistemas informáticos que, mediante el uso de algoritmos y modelos estadísticos, son capaces de aprender de los datos existentes y hacer inferencias a los nuevos datos. El desarrollo de modelos de aprendizaje automático ha sido una herramienta para trabajar con grandes bases de datos, como las historias clínicas electrónicas, para mejorar la calidad de la atención sanitaria, la eficiencia, la investigación clínica y la captura de datos de facturación. El objetivo principal de este TFM ha sido inferir sobre la predicción de la supervivencia de los pacientes utilizando una historia clínica electrónica y mediante la implementación de tres algoritmos de clasificación de aprendizaje automático. Para ello, se ha desarrollado un protocolo básico para principiantes en machine learning que consta de seis pasos (1) un análisis exploratorio de los datos con análisis estadístico univariante y bivariante, (2) limpieza y curación de los datos para poder analizarlos, (3) análisis multivariante para conocer la relación de las variables predictivas y su interacción con la variable respuesta, (4) aplicación de 3 de los modelos de clasificación de aprendizaje automático más comunes, (5) validación mediante la técnica de k-fold cross-validation, (6) finalmente una evaluación y comparación de los modelos generados mediante algunos parámetros como la precisión equilibrada y el AUC. L'aprenentatge automàtic és una àrea emergent que crea sistemes informàtics que, mitjançant l'ús d'algorismes i models estadístics, són capaços d'aprendre de les dades existents i fer inferències a les noves dades. El desenvolupament de models d'aprenentatge automàtic ha estat una eina per a treballar amb grans bases de dades, com les històries clíniques electròniques, per a millorar la qualitat de l'atenció sanitària, l'eficiència, la recerca clínica i la captura de dades de facturació. L'objectiu principal d'aquest TFM ha estat inferir sobre la predicció de la supervivència dels pacients utilitzant una història clínica electrònica i mitjançant la implementació de tres algorismes de classificació d'aprenentatge automàtic. Per a això, s'ha desenvolupat un protocol bàsic per a principiants en machine learning que consta de sis passos (1) una anàlisi exploratòria de les dades amb anàlisi estadística univariant i bivariante, (2) neteja i curació de les dades per a poder analitzar-los, (3) anàlisis multivariant per a conèixer la relació de les variables predictives i la seva interacció amb la variable resposta, (4) aplicació de 3 dels models de classificació d'aprenentatge automàtic més comuns, (5) validació mitjançant la tècnica de k-fold cross-validation, (6) finalment una avaluació i comparació dels models generats mitjançant alguns paràmetres com la precisió equilibrada i el AUC.

The work is based on a DEXA database with information on three diseases, Sarcopenia, Lipodystrophy and Osteoporosis. The information in the database is about patients with AIDS, a disease that today still has a high incidence in the population. The treatments have greatly improved the life expectancy of patients but have also increased the risk of having some of the three pathologies mentioned. The variables in the database are related to these three diseases. What will be done is a descriptive analysis of the database and a prediction of the diseases, but doing the prediction of one disease through the variables of the other two diseases. The prediction will be made with the best known Machine Learning(ML) algorithms and will be done categorically and numerically. It will also be considered whether the variable total bone mineral density is used to predict the level of osteoporosis. A dynamic report will be created with Rmarkdown that can be used to make predictions with other databases. El treball parteix d'una base de dades DEXA amb informació de tres malalties, Sarcopenia, Lipodistrofia i Osteoporosis. La informació de la base de dades és sobre pacients amb SIDA, malaltia que avui en dia encara té una alta incidència en la població. Els tractaments han millorat molt l'esperança de vida dels pacients, però han augmentat també el risc de tenir alguna de les tres patologies mencionades. Les variables de la base de dades són relacionades amb aquestes tres malalties. El que es farà és una anàlisi descriptiva de la base de dades i una predicció de les malalties, però fen la predicció d'una malaltia mitjançant les variables de les altres dues malalties. La predicció es farà amb els algoritmes més coneguts de Machine Learning(ML) i es farà de manera categòrica i numèrica. També es considerarà si la variable densitat mineral total de l'os serveix per a predir el nivell d'osteoporosis. Es crearà un informe dinàmic amb Rmarkdown que serveixi per a fer prediccions amb altres bases de dades. El trabajo parte de una base de datos DEXA con información de tres enfermedades, Sarcopenia, Lipodistrofia y Osteoporosis. La información de la base de datos es sobre pacientes con SIDA, enfermedad que hoy en día todavía tiene una alta incidencia en la población. Los tratamientos han mejorado mucho la esperanza de vida de los pacientes, pero han aumentado también el riesgo de tener alguna de las tres patologías mencionadas. Las variables de la base de datos son relacionadas con estas tres enfermedades. El que se hará es un análisis descriptivo de la base de datos y una predicción de las enfermedades, pero fen la predicción de una enfermedad mediante las variables de las otras dos enfermedades. La predicción se hará con los algoritmos más conocidos de Machine Learning(ML) y se hará de manera categórica y numérica. También se considerará si la variable densidad mineral total del hueso sirve para predecir el nivel de osteoporosis. Se creará un informe dinámico con Rmarkdown que sirva para hacer predicciones con otras bases de datos.

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.

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.

Lipodystrophy is an alteration of body fat distribution associated to HIV and its pharmacological treatment, which can be a risk factor for other health problems, so its identification and prediction may contribute to improve the quality of life of these patients. The goal of this work was to apply machine learning (ML) methods to a real dataset containing DXA-derived measures of bone mineral density, lean mass and fat mass from a sample of HIV-infected patients, with repeated measures, aiming to develop tools for identifying and predicting the evolution of lipodystrophy. First, correlational methods and PCA were used to examine data structure, and results showed high correlations among variables, with 6 principal components explaining more than 90% of the original variance contained in 58 variables. ML models showed, cross-sectionally, a very precise classification performance of lipodystrophy cases when variables quantifying fat mass or percentage were included in the models, but poor performance if prediction was based on other body tissues. To incorporate the longitudinal structure, linear mixed models and a combined approach (MEml, Mixed Effects machine learning) were used. Both methods showed good predictive capacity. MEml models allow, in addition, the longitudinal prediction of lipodystrophy. Results highlight the potential of ML methods for classification and prediction of body tissue distribution alterations in the context of HIV infection. La lipodistrofia es una alteración en la distribución de la grasa corporal asociada al VIH y su tratamiento farmacológico, que puede ser factor de riesgo para otros problemas de salud, por lo que su identificación y predicción pueden contribuir a mejorar la calidad de vida de estos pacientes. El objetivo de este trabajo era aplicar métodos de machine learning (ML) a una base de datos real con medidas de densidad ósea, masa magra y masa grasa obtenidas mediante DEXA de una muestra de pacientes con infección por VIH, con medidas repetidas, buscando desarrollar herramientas para identificar la lipodistrofia y predecir su evolución. Primero se estudió la estructura de los datos mediante métodos correlacionales y PCA, encontrando altas correlaciones entre variables, con 6 componentes principales que podían explicar más del 90% de la varianza original contenida en 58 variables. Los modelos de ML mostraron, a nivel transversal, una clasificación muy precisa de la lipodistrofia si se incluían en el modelo variables cuantificando la masa grasa, pero un rendimiento pobre si se intentaba predecir la lipodistrofia a partir de otros tejidos. Para incorporar la estructura longitudinal, se utilizaron modelos lineales mixtos y una aproximación combinada (MEml, Mixed Effects machine learning). Ambas técnicas mostraron una buena capacidad predictiva. El método de MEml permite además predecir la lipodistrofia a nivel longitudinal. Los resultados indican el potencial de los métodos de ML para la clasificación y predicción de las alteraciones en la distribución de los tejidos corporales en el iv contexto de la infección por VIH. La lipodistròfia és una alteració en la distribució del greix corporal associada a VIH i el seu tractament farmacològic, que pot ser factor de risc per a altres problemes de salut, pel que la seva identificació i predicció poden contribuir a millorar la qualitat de vida d'aquests pacients. L'objectiu d'aquest treball era aplicar mètodes de machine learning (ML) a una base de dades real amb mesures de densitat òssia, massa magra i massa grassa obtingudes mitjançant DEXA d'una mostra de pacients amb infecció per VIH, amb mesures repetides, buscant desenvolupar eines per identificar la lipodistròfia i predir la seva evolució. Primer es va estudiar l'estructura de les dades mitjançant mètodes correlacionals i PCA, trobant altes correlacions entre variables, amb 6 components principals que podien explicar més de l'90% de la variància original continguda en 58 variables. Els models de ML van mostrar, a nivell transversal, una classificació molt precisa de la lipodistròfia si s'incloïen en el model variables quantificant la massa grassa, però un rendiment pobre si s'intentava predir la lipodistròfia a partir d'altres teixits. Per incorporar l'estructura longitudinal, es van utilitzar models lineals mixtos i una aproximació combinada (MEml, Mixed Effects machine learning). Totes dues tècniques van mostrar una bona capacitat predictiva. El mètode de MEml permet a més predir la lipodistròfia a nivell longitudinal. Els resultats indiquen el potencial dels mètodes de ML per a la classificació i predicció de les alteracions en la distribució dels teixits corporals en el IV context de la infecció per VIH.

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.

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.

Since it was first diagnosed in the early 1980s, the research on AIDS has exponentially improved along the years. Nowadays, in fields like biostatistics where biology meets advanced statistics and mathematics, the study lines have turned and another approach can be made to handle scientific problems. Due to the successful improvements that research has provided to the quality of life of HIV-positive individuals, their life expectancy is approximately normal, but they develop ageing related diseases: their bones turn to be more fragile, their muscles get weaker, and their fat mass may be abnormally distributed. The aim of this project is to find machine learning supervised classification methods to detect ageing diseases in HIV-infected individuals, and discuss if these methods provide valuable information regarding the variables of the dataset and how they relate to each other. Thus, a significative ('No information rate' test p-value < 0.05) Neural Network model is computed using R and in particular the package mlr, to successfully classify a lean mass disease associated with the ageing process, using bone and fat data samples as explicative variables. The topology and weight distribution of this model's network provides information about the most relevant variables, which may be of clinical interest. Given the elevated accuracy and positive performance parameters of said classification method, it is safe to say that the assumption that a lean mass ageing disease could be predicted by the bone and fat tissue variables is validated, and consequently the goals of this project are achieved. Desde que se diagnosticó por primera vez a principios de la década del 1980, la investigación sobre el SIDA ha mejorado exponencialmente. Hoy en día, en campos como la bioestadística, donde la biología se encuentra con la estadística avanzada y las matemáticas, las líneas de estudio han cambiado y existe otro enfoque para resolver problemas de investigación científica. Debido a las mejoras que la investigación ha proporcionado a la calidad de vida de las personas seropositivas, su esperanza de vida es aproximadamente normal, pero desarrollan enfermedades relacionadas con el envejecimiento: sus huesos se vuelven más frágiles, sus músculos se debilitan y su grasa puede estar anormalmente distribuida. El objetivo de este proyecto es encontrar métodos de clasificación supervisados por aprendizaje automático para detectar enfermedades del envejecimiento en personas infectadas por el VIH. Así se calcula un modelo de red neuronal significativo (test de 'No information rate' p-valor

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.