Modelos de regresión regularizada para la predicción precisa de la progresión del VIH en pacientes en TAR: un estudio comparativo

Por qué este estudio importa para las personas que viven con VIH

Para muchas personas en terapia antirretroviral (TAR), una pregunta urgente es cómo evolucionará su salud con el tiempo. Los médicos disponen de información amplia—edad, medidas corporales, análisis de sangre y circunstancias sociales—pero convertir todo eso en una predicción fiable sobre quién se mantendrá bien y quién podría progresar a una enfermedad grave no es sencillo. Este estudio prueba herramientas estadísticas avanzadas para ver cuáles predicen mejor la progresión del VIH, con el objetivo de ayudar a los clínicos a centrar la atención en los pacientes que más la necesitan.

Seguimiento de los pacientes a lo largo del tiempo

Los investigadores analizaron los registros de 482 adultos con VIH que iniciaron TAR en un hospital docente del Estado de Osun, Nigeria, entre 2020 y 2023. Registraron cuánto tiempo tardaron los pacientes en avanzar a las etapas más graves de la enfermedad según la Organización Mundial de la Salud (III o IV) tras comenzar el tratamiento. Paralelamente, examinaron un conjunto amplio de información: edad, sexo, índice de masa corporal, altura y peso, carga viral en sangre, nivel educativo, estado civil y laboral, y lugar de residencia. Dado que la fecha exacta de la infección por VIH suele ser desconocida, el estudio midió el tiempo de supervivencia desde el primer día de TAR, un enfoque estándar en este tipo de investigación.

Cuando muchos factores de riesgo se solapan

La atención moderna del VIH genera mucha información que se solapa. Por ejemplo, el peso, la altura y el índice de masa corporal están estrechamente relacionados; si se usan todos a la vez, los métodos estadísticos estándar pueden volverse inestables y ofrecer resultados engañosos. El equipo confirmó este problema—conocido como fuerte dependencia entre variables—calculando factores de inflación de la varianza, que mostraron que algunas mediciones estaban muy entrelazadas. Esto puede dificultar saber qué factores importan realmente y causar que modelos que parecen precisos en un grupo de pacientes fallen en otro.

Nuevas herramientas para dominar datos complejos

Para superar estos problemas, el estudio comparó cuatro métodos de regresión “regularizada”: Ridge, LASSO, Adaptive LASSO y Elastic Net. Estas técnicas reducen deliberadamente la influencia de variables menos importantes y algunas incluso pueden eliminarlas por completo, ayudando al modelo a permanecer estable cuando los predictores están altamente correlacionados. Los investigadores primero probaron qué ocurría al eliminar la variable más solapada (peso) y luego al dejar todas las variables. Evaluaron cada modelo con varias medidas: cómo ordenaba a los pacientes por riesgo, la precisión de sus pronósticos de probabilidad y cómo equilibraba el ajuste con la simplicidad.

Qué revelaron los modelos sobre el riesgo

A través de los distintos métodos surgió una imagen coherente sobre qué factores se asociaban con una mayor probabilidad de progresar a enfermedad avanzada. Una edad mayor y una carga viral más alta tendían a asociarse con peores resultados, mientras que ser hombre, tener mayor nivel educativo, estar empleado y contar con un índice de masa corporal más saludable se relacionaban con una mejor supervivencia. Algunos modelos también destacaron las medidas de tamaño corporal y el estado civil, aunque el papel exacto de estos factores dependió de cómo se gestionaron las variables solapadas. De forma importante, los enfoques regularizados redujeron en gran medida la inestabilidad que había aparecido en un modelo de supervivencia estándar, confirmando que pueden ofrecer estimaciones más claras y fiables en datos complejos sobre el VIH.

Elegir la herramienta adecuada para la tarea

El estudio mostró que no hay un único método óptimo para todos los objetivos. Cuando la meta principal era identificar los pocos predictores más importantes y mantener el modelo fácil de interpretar, Adaptive LASSO fue el mejor tras eliminar la variable más solapada. Ofreció los pronósticos más precisos y bien calibrados al tiempo que destacaba los factores de riesgo clave. Sin embargo, cuando se conservaron todas las variables—incluidas las altamente correlacionadas—Elastic Net proporcionó las predicciones más potentes en términos generales y se mantuvo estable frente al fuerte solapamiento. La regresión Ridge también funcionó bien preservando la precisión predictiva mientras mantenía todos los predictores. En términos prácticos, estos resultados sugieren que los médicos y planificadores de salud pueden usar distintas herramientas según necesiten una lista clara de factores de riesgo o la predicción más eficaz posible de la progresión del VIH en pacientes en TAR.

Cita: Owoade, G.O., Okewole, D.M., Nziku, C.K. et al. Regularized regression models for accurate prediction of HIV progression in ART patients: a comparative study. Sci Rep 16, 10251 (2026). https://doi.org/10.1038/s41598-026-41445-y

Palabras clave: progresión del VIH, terapia antirretroviral, predicción de supervivencia, regresión regularizada, Elastic Net