Modelos de predicción de supervivencia para personas que viven con VIH basados en cuatro modelos de aprendizaje...

Área de la Ciencia:

• Biología computacional
• Epidemiología
• Aprendizaje automático en la salud

Sus antecedentes:

• La terapia antirretroviral ha mejorado la supervivencia de las personas con VIH, pero las variaciones persisten.
• La identificación de los factores de supervivencia y la predicción de los resultados siguen siendo cruciales para el tratamiento de los pacientes.

Objetivo del estudio:

• Comparar el rendimiento predictivo de los modelos de aprendizaje automático con el modelo de riesgo proporcional de Cox para la supervivencia del VIH.
• Identificar los factores clave de supervivencia en las personas que viven con el VIH.

Principales métodos:

• Se analizaron datos de 676 personas que viven con VIH en China.
• El análisis univariado de Cox identificó variables significativas (p < 0,05).
• Los modelos comparados: peligro proporcional de Cox, aumento de gradiente extremo, bosque aleatorio, máquina de vectores de soporte y perceptor multicapa.

Principales resultados:

• Random Forest demostró el mejor rendimiento predictivo (AUC: 0,912, Precisión: 0,862).
• Los modelos de aprendizaje automático generalmente superaron al modelo de riesgo proporcional de Cox tradicional.
• Support Vector Machine, eXtreme Gradient Boosting y Multilayer Perceptron también mostraron fuertes capacidades predictivas.

Conclusiones:

• Los modelos de aprendizaje automático, especialmente Random Forest, ofrecen una precisión predictiva superior para la supervivencia del VIH.
• El modelo Random Forest se recomienda para el análisis y la predicción de la supervivencia en personas que viven con VIH en China.
• Los hallazgos pueden informar la toma de decisiones clínicas y mejorar los resultados de los pacientes.