Estudio de predicción del riesgo de mortalidad en personas con VIH utilizando métodos de Machine Learning

Abstract

Antecedentes: A pesar de los avances en el tratamiento antirretroviral (TAR), las personas con VIH tienen un mayor riesgo de muerte que la población general. Actualmente, existen pocos modelos predictivos de mortalidad basados en datos europeos. Objetivo: Desarrollar modelos de machine learning para predecir el riesgo de mortalidad por todas las causas a 5 años en personas con VIH de la cohorte CoRIS. Materiales y Métodos: CoRIS es una cohorte multicéntrica española de adultos VIH positivos naïve al TAR. Se utilizaron como predictores datos sociodemográficos, inmunológicos y clínicos. Los valores ausentes se imputaron mediante el algoritmo missForest. Se entrenaron tres modelos de machine learning con el 80% de los datos: regresión de Cox con (1) Least Absolute Shrinkage and Selection Operator (LASSO) y (2) Elastic Net (ENET), y (3) Random Survival Forest (RSF). El 20% restante se usó para validación. El rendimiento se evaluó con el C-index y se comparó con un modelo de Cox que utilizaba el índice VACS 1.0 como predictor. Resultados: Se incluyeron 15784 participantes, de los cuales 314 fallecieron durante el seguimiento. El modelo basado en VACS alcanzó un C-index de 0.79 (IC 95%: 0.73, 0.84). Los modelos de machine learning obtuvieron mejores resultados: LASSO (0.83; IC 95%: 0.78, 0.88), ENET (0.84; IC 95%: 0.79, 0.88) y RSF (0.85; IC 95%: 0.80, 0.90). Conclusiones: Los modelos de machine learning, especialmente RSF, mostraron una mejor precisión predictiva, por lo que son herramientas prometedoras para evaluar el riesgo de mortalidad en VIH.