Análisis de la relación entre la adherencia al tratamiento antirretro viral (TAR) de pacientes con VIH+ y el consumo de alcohol y otras drogas, en base a técnicas de Machine Learning

Abstract

Al 2020 se encuentran 77 mil personas con VIH en Chile, de los cuales tan solo 54 mil conocen su diagnóstico. Es bajo este contexto que nace el proyecto del WIC de desarrollo de una Plataforma informática basada en inteligencia artificial para la identificación y caracterización del grado de adherencia en pacientes VIH+. Este proyecto contempla la construcción de 4 predictores centrados en distintas aristas de información del paciente: Datos farmacológicos, de depresión, socioeconómicos y de consumo de alcohol y otras drogas, teniendo en común para todos los datos clínicos del paciente. Es en este último predictor, el de consumo de alcohol y otras drogas, que se da el trabajo de memoria, teniendo en cuenta que el consumo de alcohol y drogas juega un rol importante en Chile donde 1 de cada 10 personas posee consumo de alcohol de riesgo. El trabajo realizado se ejecuta en conjunto con la Fundación Arriarán, la contraparte del proyecto. En esta, en base a una encuesta preliminar, se observa un total de 15% de pacientes que presentan problemas de consumo. La hipótesis de este trabajo considera que existe una relación que modifica la adherencia al tratamiento TAR y los pacientes VIH+ que consumen alcohol y otras drogas. Para ello se tiene el siguiente objetivo: Desarrollar un modelo predictivo de adherencia al tratamiento TAR de VIH+ con relación al consumo de alcohol y otras drogas. El trabajo realizado comienza con la búsqueda bibliográfica en donde se encuentran las principales variables a utilizar, divididas en datos clínicos, de caracterización de paciente y niveles de consumo. Luego del análisis de las variables de interés y de la información disponible dentro de las tablas de información de la Fundación Arriarán, se construye la base del predictor, el cual cuenta con 58 variables correspondientes a la información de 2484 pacientes. El predictor elegido por su desempeño corresponde a SVM (support vector machine) el que entrega un recall de 0,75. Con este modelo se genera la clasificación de adherencia de los pacientes, lo cual permite la identificación de aquellos pacientes en riesgo de abandono de tratamiento. La correcta identificación de esto y el análisis tanto del perfil del paciente, en base a las variables del predictor, como el peso de estas, permite generar políticas de seguimiento con optimización de recursos, lo cual no solo trae un bienestar al paciente y su recuperación, sino también a la Fundación como un todo. El proyecto contempla a futuro la creación de una plataforma que ayude no solo a la visualización de los resultados de los predictores sino también una estandarización de ingreso de la información, lo cual soluciona problemas encontrados en el trabajo de memoria y abre aún más las posibilidades de replicación del trabajo.