Exploring dimensionality reduction and machine learning methods for the prediction of body composition abnormalities among an HIV+ population
Year: 2019
Type: dissertation
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.
Author: Carolina Pelegrin Cuartero
Language: English
Subfield: Infectious Diseases
Field: Medicine
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W2954639896
