Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals

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...

Descripción completa

Detalles Bibliográficos
Autor: Fuentes Claramonte, Paola
Tipo de recurso: tesis de maestría
Fecha de publicación:2021
País:España
Institución:Universitat Oberta de Catalunya (UOC)
Repositorio:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/127227
Acceso en línea:http://hdl.handle.net/10609/127227
Access Level:acceso abierto
Palabra clave:DEXA/DXA
HIV
machine learning
aprenentatge automàtic
Bioinformatics -- TFM
Bioinformàtica -- TFM
Bioinformática -- TFM
id ES_f92356e2fdf4b82aad2ad42f1b33cfe5
oai_identifier_str oai:openaccess.uoc.edu:10609/127227
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
title Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
spellingShingle Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
Fuentes Claramonte, Paola
DEXA/DXA
HIV
machine learning
DEXA/DXA
HIV
machine learning
DEXA/DXA
HIV
aprenentatge automàtic
Bioinformatics -- TFM
Bioinformàtica -- TFM
Bioinformática -- TFM
title_short Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
title_full Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
title_fullStr Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
title_full_unstemmed Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
title_sort Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individuals
dc.creator.none.fl_str_mv Fuentes Claramonte, Paola
author Fuentes Claramonte, Paola
author_facet Fuentes Claramonte, Paola
author_role author
dc.contributor.none.fl_str_mv Maceira, Marc
Perez-Alvarez, Nuria
dc.subject.none.fl_str_mv DEXA/DXA
HIV
machine learning
DEXA/DXA
HIV
machine learning
DEXA/DXA
HIV
aprenentatge automàtic
Bioinformatics -- TFM
Bioinformàtica -- TFM
Bioinformática -- TFM
topic DEXA/DXA
HIV
machine learning
DEXA/DXA
HIV
machine learning
DEXA/DXA
HIV
aprenentatge automàtic
Bioinformatics -- TFM
Bioinformàtica -- TFM
Bioinformática -- TFM
description 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.
publishDate 2021
dc.date.none.fl_str_mv 2021
2021
2021
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10609/127227
url http://hdl.handle.net/10609/127227
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.rights.none.fl_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869425066689691648
spelling Machine learning methods for cross-sectional and longitudinal study of abnormal body fat distribution in HIV-infected individualsFuentes Claramonte, PaolaDEXA/DXAHIVmachine learningDEXA/DXAHIVmachine learningDEXA/DXAHIVaprenentatge automàticBioinformatics -- TFMBioinformàtica -- TFMBioinformática -- TFMLipodystrophy 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.Universitat Oberta de Catalunya (UOC)Maceira, MarcPerez-Alvarez, Nuria202120212021info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/10609/127227reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)InglésCC BY-NC-NDhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/1272272026-05-28T12:42:01Z
score 15,301629

Similares en LA Referencia