Enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning

• Autor: Marroquin Marroquin, Urlish Kleyber
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/7069
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/7069
• Nivel de acceso: acceso abierto
• Materia: Virus de la inmunodeficiencia humana (VIH); Machine Learning; http://purl.org/pe-repo/ocde/ford#2.02.04

En la actualidad existen muchos métodos de predicción que se utilizan en el campo de la salud; no obstante, los estudios actuales requiere mayor estudio e indagación en la reactividad de resultados de las pruebas del virus de la inmunodeficiencia humana (VIH) utilizando modelos predictivos basados en Machine Learning, sin embargo, si se lograra predecir la reactividad positiva de la prueba de VIH de una persona con anterioridad, se podría realizar las acciones oportunas con antelación para poder brindarle una atención oportuna a la persona, además así poder asignar la preparación del tratamiento antirretroviral (TARV) y esquema de tratamiento a utilizar adecuado. Por tal motivo, este estudio propone un enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning. Los datos utilizados proceden de los registros del personal de salud que pertenecen a una brigada móvil y que realizan funciones de tamizaje de VIH a través del Aplicativo Móvil de Tamizaje ITS (App VIH) del Ministerio de Salud del Perú (Minsa). La metodología utilizada consistió en evaluar cuatro modelos de machine learning con los algoritmos “Decision Tree Classifier, Random Forest Classifier, Extra Trees Classifier y Extreme Gradient Boosting”, con la intención de comparar sus resultados y elegir al mejor modelo que presente el mejor desempeño, para luego ser utilizado a través de una interfaz gráfica, que permita determinar si una persona posee Reactividad Positiva o Negativa al resultado de la Prueba de VIH. Los resultados demostraron que el mejor modelo de machine learning para el estudio fue Extra Trees Classifier con un Accuracy Score de 98.19% en comparación con Decision Tree Classifier con el menor Accuracy Score de 98.03%; calculado a través de la precisión promedio usando el puntaje de validación cruzada con 10 interacciones de los datos de entrenamiento; esto indica que el modelo predice con una precisión del 98% la prueba de VIH. Por tal motivo, este modelo podrá ser usado en la toma de decisiones relacionadas con las personas que puedan contraer el VIH y así brindarles un tratamiento antirretroviral (TARV) adecuado, además de la misma forma, apoyar a las labores realizadas por las brigadas móviles urbanas en temas relacionados con el VIH.