Introducción

El virus de inmunodeficiencia humana (VIH) es un problema de salud pública mundial. Para el año 2024 se observa un efecto estadístico de 40,8 millones de personas que conviven con esta enfermedad. De los cuales, 39,4 millones hacen parte de un grupo poblacional de personas mayores de 15 años (1). Para finales del año 2024, 1,3 millones de personas se infectaron con el VIH en comparación con 3,4 millones de personas en 1996 (2). Para controlar este virus, se usa el tratamiento antirretroviral (TAR), recomendado por la OMS desde 2016 como prioridad. A las personas con infección por VIH se les indica iniciarlo independiente de su estadio clínico y conteo de linfocitos CD4. Es así como, en 2024, 31,6 millones de personas tuvieron acceso a la terapia antirretroviral. Al respecto, en el informe de la cuenta de alto costo del sistema de salud colombiano (CAC), el 95,28 % de los casos diagnosticados estaban recibiendo TAR y de estos, el 76,82 % reportaron carga viral indetectable, permitiendo reducir el riesgo de transmisión (3).

Estudios previos han determinado que los pacientes con menor ajuste psicosocial presentan menor adherencia al tratamiento, así como tendencia al tabaquismo y sedentarismo; mientras que una mejor adherencia se asocia con la preservación de un equilibrio psicosocial, definiéndolo como el grado en que la persona mantiene un funcionamiento estable y satisfactorio en sus roles sociales, familiares, laborales y personales, afrontando la enfermedad de manera adaptativa y preservando su bienestar emocional, social y conductual. La adherencia también se asocia al ser de sexo masculino, tener mayor edad y una estabilidad laboral (4). Factores como el grado académico, la edad, los ingresos y factores personales e interpersonales como el apoyo sociofamiliar, el estigma percibido, la autoestima y los factores relativos a la enfermedad y tratamiento se han relacionado como factores determinantes de la falta de adherencia (5). En la era de la terapia antirretroviral, el VIH ha pasado a ser una enfermedad crónica, y la adherencia al TAR adquiere gran importancia por su repercusión en el sistema inmunológico y la calidad de vida de las personas infectadas (6).

En este orden de ideas, la existencia del tratamiento no es suficiente, pues se requiere adherencia a este. Esto resalta la importancia de comprender los factores que influyen en ella, tales como imaginarios sociales del VIH, satisfacción con la vida, supuestos conocimientos sobre el TAR, cambios en la vida producto del VIH y elementos de discriminación, así como las redes de apoyo. El TAR cambió gradualmente la historia natural de la infección por VIH por disminución de la mortalidad y aumento de vida esperada. Por otra parte, la adherencia al tratamiento es el estigma que aún rodea al contagio por VIH, ya que este no está asociado únicamente a padecer la infección, sino a los determinantes sociales de la salud (DSS) de quien padece esta enfermedad, lo cual abre las posibilidades de estudiar los factores que podría desencadenar al riesgo de abandono al TAR (7).

Distintas escalas utilizadas para medir la adherencia al TAR han demostrado fiabilidad para identificar el comportamiento frente al tratamiento farmacológico en las personas con VIH, evidenciando una fuerte correlación entre la categoría de carga viral y el nivel de adherencia. Estas herramientas permiten evaluar el comportamiento y las barreras que podrían determinar el éxito de la supresión viral (8-9). En este contexto, el uso de las técnicas de aprendizaje automático para la medición de los DSS que influyen en la TAR pueden definirse como un conjunto de métodos capaces de detectar automáticamente patrones en los datos y mejorar el proceso de estimación de modelos, no solo con relación al aumento del poder predictivo a través de nuevas metodologías y técnicas de selección de variables, sino también con relación a la mejora de la eficiencia de los procesos a través de la automatización como el Machine Learning (ML) (10).

El Machine Learning es un subconjunto de la inteligencia artificial (IA) que utiliza algoritmos informáticos capaces de automatizar el análisis de los datos. A través del entrenamiento de información, el aprendizaje continuo conlleva a predecir y tomar decisiones en un análisis de variables. En la medida en que los algoritmos mejoran en el proceso de adiestramientos, se convierten en esquemas de precisión y eficacia. Esto conduce a un aprendizaje supervisado en el que descubren patrones en los datos, que pueden predecir valores numéricos basados en información histórica, categorización de eventos positivos, negativos, verdaderos, falsos y agregación de información que conduce a puntos en común. El ML presenta la capacidad de controlar y dar orden a excesivos volúmenes de datos, revelar patrones ocultos y aportar valor en el conocimiento, esencial para la toma de decisiones en el sector salud (11).

Adicionalmente, el Machine Learning (12) es una rama de la Inteligencia Artificial (IA) que inició en 1952 con la escritura del primer programa de aprendizaje informático por Arthur Samuel; se apoyó en la teoría del aprendizaje computacional creada por varios investigadores, siendo uno de los aportes más influyentes el de Alan Turing en 1963, Jack Edmons en 1965 y Richard Karp en 1972 (13). De esta manera, la teoría del aprendizaje computacional o aprendizaje supervisado busca algoritmos para que las computadoras modifiquen sus comportamientos de forma autónoma con base en datos empíricos, y concretamente, en ejemplos y contraejemplos. Por tal motivo, el volumen de información derivada de la atención en salud y del tratamiento farmacológico de los pacientes con VIH (14), bajo técnicas analíticas tradicionales es insuficiente para obtener niveles de precisión sobre las relaciones de los datos. Esto abre la tendencia a buscar métodos que faciliten la interpretación con poder predictivo. Investigaciones actuales en salud (15), exponen el ML como una herramienta que posee la cualidad de construir un modelo de aprendizaje de manera autónoma a partir de grandes magnitudes en datos recolectados, generar algoritmos, mejorar su rendimiento a lo largo del tiempo y generar un aprendizaje automático para la toma de decisiones precisas en factores influyentes en la adherencia a tratamientos en salud. De esta manera, el ML permite destacar que el estado de salud y bienestar de la población se podría explicar o predecir a través de los DSS (16).

Con el fin de aportar desde esta perspectiva, el objetivo del presente estudio fue identificar los factores explicativos de la adherencia al tratamiento antirretroviral en pacientes con diagnóstico de VIH. Para ello y considerando las capacidades del ML en el manejo de datos no lineales, se aplicaron técnicas de aprendizaje automático que permitieron generar el modelo predictivo más apropiado para la evaluación propuesta.

Métodos

Diseño del estudio y participantes

El estudio fue observacional analítico de corte retrospectivo. Se basó en la adherencia a los medicamentos antirretrovirales, la cual se define como la capacidad del paciente de implicarse correctamente en la elección, inicio y control del TAR (17). Los participantes del estudio se encontraban en una institución prestadora de servicios de salud (IPS) con amplia oferta en el suroccidente colombiano, habilitada en el mercado desde el año 2004, enfocada en la atención integral especializada para el modelo de salud ambulatorio en pacientes con diagnóstico VIH/SIDA, dispensación de medicamentos, educación en hábitos saludables, seguimiento en la adherencia al TAR y gestión del riesgo en la población estudio durante el año 2021 en Cali, Colombia.

Dentro de esta investigación, se trabajó con población clave, entendida como grupos con comportamientos específicos de alto riesgo que, además de enfrentar problemas jurídicos y sociales, presentan una mayor vulnerabilidad y susceptibilidad a contraer el VIH, independientemente del tipo de epidemia o del contexto social. Los grupos identificados fueron: comunidad LGTBI, mujer vulnerable y la categoría “No aplica”, que hace referencia a que no hace parte de la comunidad LGTBI ni es mujer vulnerable. En América Latina, entre los grupos de población clave más afectados están los hombres gais, los hombres que tienen relaciones sexuales con otros hombres y las mujeres transgénero (18).

La población de este estudio fueron los pacientes pertenecientes a una base de datos secundaria compuesta por registros de adultos, extraídos de historias clínicas de la institución. Estos datos formaron la base para la generación del informe a la cuenta de alto costo exigida a las IPS por el Ministerio de Salud colombiano. La muestra estuvo constituida por 1793 pacientes. El grupo de casos estuvo conformado por pacientes con adherencia al tratamiento, mientras que el grupo control estuvo conformado por aquellos sin adherencia.

El estudio fue realizado en una institución prestadora de servicios de salud privada especializada en la atención del programa integral para paciente con diagnóstico de VIH en el año 2021, con un universo (N) de 2154 usuarios atendidos. Se descartaron 361 individuos que presentaron las características de exclusión; por lo tanto, la muestra corresponde al total de 1793 pacientes que cumplieron con el criterio de inclusión para el procesamiento de datos bajo las técnicas de Machine Learning.

Para el cumplimiento del objetivo se identificaron 24 variables y categorías, definidas de acuerdo con lo evidenciado en la literatura:

• Mecanismo de transmisión: es el medio de transmisión de una persona a otra a través de la sangre y otros fluidos corporales tales como la transfusión sanguínea, transmisión materno-infantil, transmisión sexual por relación voluntaria, transmisión sexual por abuso sexual y uso de agujas (19).

• Estadio actual: nivel de progresión de la enfermedad, clasificado en estadio 1 (infección aguda), estadio 2 (infección crónica) y estadio 3 (síndrome de inmunodeficiencia adquirida o sida).

• Resultado de la última carga viral: cantidad de partículas víricas medidas en un tejido u órgano de una persona infectada, valores menores a 50 copias por mililitro es considerada como indetectable (20).

• Sexo: femenino o masculino.

• Edad: juventud (14-26 años), adultez (27-59 años) y vejez (>60 años) (21).

• Escolaridad: hace referencia al máximo nivel de educación formal alcanzado, (sin formación, primaria, bachillerato, técnico-tecnólogo y universitario).

• Procesos judiciales: conjunto de trámites o actos realizados ante las autoridades para resolver un conflicto en aplicación de la ley los cuales pueden ser de carácter penal o judicial.

• Vinculación al sistema de salud: mide la cobertura de afiliación al sistema general de salud en los régimen contributivo o subsidiado.

• Riesgo cardiovascular: probabilidad de adquirir una enfermedad cardíaca y vascular en un periodo de diez años. Se operativizó con la tabla SCORE de riesgos de la OMS del año 2020 (22).

• Índice de masa corporal (IMC): es un indicador de medición de la grasa corporal para definir niveles de obesidad.

• Consumo menor a dos comidas diarias: evalúa el nivel de consumo de alimentos.

• Problemas bucales: mide el riesgo de enfermedad bucal e higiene dental.

• Planificación familiar: asistencia al programa de protección específica para el control del nivel de natalidad en pacientes convivientes con VIH (23).

• Consumo de sustancias psicoactivas (SPA): uso de sustancias químicas de origen natural o sintético que afectan las funciones del sistema nervioso central.

• Orientación sexual: es la atracción que sienten las personas por otras de un determinado sexo o género (bisexual, homosexual y heterosexual).

• Aceptación del diagnóstico: capacidad de la persona para reconocer y asimilar la realidad sobre su enfermedad.

• Condición de vivienda: tipo de tenencia o de habitabilidad de una persona (familiar, alquilada, propia, invasión, habitante calle).

• Vinculación laboral: proceso por el cual se tiene un empleo formal bajo las características definidas por el Ministerio del Trabajo.

• Antecedente psiquiátrico: patologías psiquiátricas diagnosticadas por profesionales del área de la salud (psicología y psiquiatría).

• Tiene hijos: mide la descendencia directa del ser humano.

• Tiene pareja: vínculo sentimental en la unión de dos personas en modalidad de noviazgo, concubinato o matrimonio.

• Adherencia: capacidad del paciente de implicarse correctamente en la elección, inicio y control del TAR (24).

Criterios de inclusión y exclusión

En el estudio se analizaron datos de pacientes con tratamiento antirretroviral activo por diagnóstico de VIH/sida, que estuvieran adscritos a la IPS seleccionada, que fueran mayores de edad y que tuvieran historia clínica completa dentro de la base de datos. Se excluyeron datos de pacientes que hubieran interrumpido el tratamiento por algún motivo justificado o no, que no hubieran tenido suministro de medicamentos en fechas estipuladas por orden médica o aquellos con cambios de TAR por falla terapéutica.

Instrumento para recolección de datos

Para recolectar los datos de este estudio, se utilizó el cuestionario SMAQ (Simplified Medication Adherence Questionnaire), que surgió como modificación del cuestionario Morisky Green (25). Este cuestionario ha sido validado en su versión en español por Val Jiménez y colaboradores y desarrollado por el grupo español para el estudio multifactorial de la adherencia (GEMMA) (26). Está basado en preguntas que se realizan al paciente sobre los hábitos en toma de medicación con tratamiento antirretroviral. Contiene seis preguntas con respuestas cerradas acerca de los olvidos, horarios y efectos adversos para valorar el grado de adherencia, separando los adherentes y los no adherentes (25). Este instrumento ha sido utilizado en los procesos de investigación actual en población con diagnóstico de VIH según estudios previos (27-31).

Métodos estadísticos

Se llevaron a cabo técnicas de aprendizaje supervisado. Para establecer una notación clara;

• Se usa x⁽ⁱ⁾ para denotar las variables de entrada, también llamadas características, con dimensión n.

• Se usa y⁽ⁱ⁾ para denotar la salida, o variable objetivo que buscamos predecir.

• El par conformado por (x⁽ⁱ⁾, y ⁽ⁱ⁾ ) se denomina un ejemplo de entrenamiento.

• El conjunto de datos que contiene la información de m ejemplos de entrenamiento {(x⁽ⁱ⁾, y⁽ⁱ⁾ )}; i=1… m, se denomina base de datos, o conjunto de entrenamiento.

• Típicamente se usa X para denotar el espacio de representación para las variables de entrada, y Y para denotar el espacio de las variables de salida.

• Cuando se aborda un problema de clasificación, las variables en el espacio Y toman valores discretos, correspondientes a las clases o categorías definidas en el problema de aprendizaje.

• Para el problema específico que se aborda en este trabajo y ∈ {0, 1}, donde se ha definido que un valor y=0 corresponde a una persona no adherente al TAR, mientras y=1 corresponde a una persona adherente al TAR

• Para describir el problema de aprendizaje supervisado de manera general, se considera el problema de estimar una función h: X→Y tal que, dado un ejemplo de entrada x, entonces h(x) predice el valor y. La función h(x) también es conocida como función de hipótesis.

En el aprendizaje supervisado, la regresión logística usa una función para modelar una variable binaria y permite predecir la probabilidad de una clase o evento. Así la máquina de vectores de soporte es un clasificador binario que modela la frontera de decisión entre dos clases como un hiperplano separador. El árbol de decisiones es una estructura similar que divide los datos jerárquicamente en subconjuntos que luego se dividen nuevamente en particiones más pequeñas, los nodos internos del árbol son patrones de entrada y los nodos de hoja son categorías (32).

El proceso de diagnóstico asistido, empleando sistemas automáticos, es un proceso inherentemente imperfecto, ya que el resultado arrojado por un sistema de clasificación representa una probabilidad en lugar de una seguridad irrefutable de tener la respuesta absoluta. Para verificar y garantizar que los resultados sean repetibles y validar la capacidad de un sistema de identificar la presencia o ausencia de una enfermedad, se emplean diferentes medidas diagnósticas.

La fase de procesamiento y análisis de datos implicó la conversión de las variables a formato numérico para facilitar su manipulación. El manejo de datos faltantes se realizó siguiendo estrictamente los criterios de inclusión y exclusión. En los casos en que se detectaron datos incompletos en la base institucional, estos fueron eliminados, evitando así recurrir a imputaciones o estimaciones que pudieran introducir sesgos o afectar la representatividad y la generalización de los resultados.

Se realizaron análisis univariados para las variables cualitativas, calculando frecuencias absolutas y relativas, y para las variables cuantitativas se estimaron la media y la desviación estándar. Posteriormente, se ejecutó un análisis bivariado para evaluar la correlación y asociación entre la variable dependiente (adherencia al tratamiento) y las variables independientes. Este proceso permitió identificar relaciones relevantes entre las variables y posibles factores influyentes en la adherencia al tratamiento antirretroviral.

La construcción de los modelos de clasificación se realizó dividiendo el conjunto de datos en proporciones de 70 % para entrenamiento y 30 % para prueba. Esta estrategia aseguró que los modelos se entrenaran con suficientes datos y fueran evaluados en un conjunto independiente. Se emplearon diversos algoritmos de aprendizaje automático, como árboles de decisión, bosques aleatorios, regresión logística, máquinas de soporte vectorial, vecinos más cercanos (KNN) y Naive Bayes.

El rendimiento de los modelos se evaluó mediante la validación cruzada de k pliegues. Los datos se dividieron en diez grupos, y se realizaron diez iteraciones, entrenando el modelo en 9 grupos y evaluándolo en el restante en cada iteración. La evaluación de los modelos se basó en una variedad de métricas, incluyendo sensibilidad, exactitud, precisión y el área bajo la curva ROC. Estas métricas permitieron una evaluación integral del rendimiento de los modelos en términos de su capacidad para identificar de manera precisa la adherencia al tratamiento antirretroviral.

Los métodos de Machine Learning empleados en este estudio ofrecen ventajas significativas sobre los enfoques tradicionales, como la capacidad de manejar grandes volúmenes de datos, identificar relaciones no lineales y capturar patrones complejos que podrían pasar desapercibidos con técnicas convencionales. Además, la implementación de validación cruzada y el uso de múltiples métricas de evaluación (sensibilidad, exactitud, precisión y AUC-ROC) garantizaron un análisis robusto y confiable. Este enfoque, basado en técnicas de Machine Learning refleja una tendencia creciente en la investigación clínica, especialmente en el manejo de datos complejos, como los relacionados con la adherencia al tratamiento antirretroviral. Además de fortalecer la precisión analítica, proporciona herramientas innovadoras para la toma de decisiones en entornos clínicos.

Consideraciones éticas

En 2021, el comité de investigaciones en salud de la Institución Universitaria Antonio José Camacho, Cali, Colombia aprobó el estudio clasificándolo como de bajo riesgo según la Resolución Colombiana 8430 de 1993. Los datos se obtuvieron de historias clínicas, respetando la privacidad y la política de tratamiento de datos. La confidencialidad se aseguró mediante códigos numéricos y encriptación de archivos, evitando la necesidad de consentimiento informado. Los procedimientos siguieron los principios éticos de la Declaración de Helsinki.

Resultados

El estudio contó con 1793 participantes; 38,5 % de sexo femenino y 61,5 % de sexo masculino. En cuanto al nivel educativo, el 78,4 % manifestó contar con algún tipo de formación académica, mientras que el 21,6 % dijo que no. El 66,1 % de los pacientes se identificaron como heterosexuales, mientras que el 33,9 % hacían parte de la comunidad LGBTIQ+ (tabla 1). 67,4 % de la población estudiada está en la etapa de la adultez, mientras que el 23,9 % eran jóvenes; el 94,3 % pertenecían al régimen subsidiado y 5,7 % al régimen contributivo del Sistema General de Seguridad Social en Salud colombiano (tabla 1).

En las variables psicológicas, se observó un alto porcentaje de participantes con antecedentes psiquiátricos (99,2 %), una aceptación del diagnóstico del 72,7 % y un 83,7 % de personas que no consumían sustancias psicoactivas (SPA). En cuanto a los factores personales, el 55,4 % no tenía pareja. Respecto a las condiciones socioeconómicas, el 59,6 % reportó una vinculación laboral informal y el 43,7 % vivía en vivienda alquilada (tabla 1).

Frente a los factores clínicos de los pacientes, se encontró carga viral indetectable en el 76 % de las personas; y el 87,7 % de las personas se clasificaron en bajo riesgo cardiovascular. En cuanto al IMC, el 55,2 % tenían peso normal y el 26,7 % sobrepeso; por otro lado, las relaciones sexuales voluntarias equivalían al principal mecanismo de transmisión en el 97 % de los casos. Finalmente, el estudio muestra una adherencia al TAR del 79,5 % (tabla 1).

El análisis bivariado permitió identificar una relación existente entre la variable “adherencia” con las siguientes variables sociodemográficas y psicosociales. En cuanto al sexo (p=0.026), se observó que los hombres presentan un nivel de adherencia del 81,2 %, mientras que las mujeres el 78,9 %; por tal motivo, podría haber una mayor relación entre ser hombre y ser adherente. Respecto al ciclo de vida (p=0.000), se evidenció mayor adherencia en la adultez (82 %) y vejez (79,6 %) que en la juventud (72,7 %). En el consumo menor a dos comidas diarias (p=0.002), se identificó que consumir menos de dos comidas diarias tienen un menor grado en la adherencia (65,9 %) comparado con más número de comidas diarias (80,3 %).

Respecto al uso de planificación familiar (p=0.01), quienes no utilizan un método de planificación tienen mayor adherencia al TAR (81,5 %) versus los que sí planifican (76,5 %). En el consumo de SPA (p=0.001), hubo mayor adherencia en los no consumidores (81 %) frente a los consumidores (71,9 %). Y en torno a la aceptación del diagnóstico (p=0.000), quienes aceptan su diagnóstico son más adherentes (84 %) frente a los que no aceptan su diagnóstico (67,6 %).

En relación con las variables asociadas a factores clínicos, la carga viral (p=0.00) mostró que los pacientes con cargas virales indetectables son adherentes en un 86,1 % versus 58,7 % en los pacientes con cargas detectables. En cuanto al IMC (p=0.007), los pacientes clasificados en niveles de obesidad grado II y sobrepeso son los más adherentes (85,2 % y 81,2 % respectivamente), mientras que los menos adherentes fueron aquellos con obesidad grado III (53,3 %) (tabla 1).

Se aplicaron distintos algoritmos de Machine Learning para desarrollar modelos predictivos: regresión logística (LR), análisis discriminante lineal (LDA), vecinos más cercanos (KNN), árbol de decisión (CART), Naive Bayes (NB) y máquina de soporte vectorial (SVM). Tras la validación cruzada, el modelo de regresión logística mostró el mejor desempeño, con una media de predicción de 0,80 y una desviación estándar de 0,049.

La matriz de confusión reportó una exactitud del 80 %. El desempeño del modelo para la precisión en las personas adherentes al tratamiento fue del 81 % y la sensibilidad (recall) del 97 %. El F1 Score fue del 88 %. Para las personas que no se adhirieron al tratamiento se observó una precisión de 50 %, una sensibilidad de 11 % y un F1 Score de 18 %.

Para realizar una evaluación global de cada clasificador, se utilizó el área bajo la curva ROC (AUC: area under the curve) como métrica de desempeño. Se generó la figura 1, que muestra las curvas ROC y los valores de AUC para cada clasificador. Se observó que el clasificador KNN tuvo el menor desempeño, seguido del clasificador NB. Por otro lado, los clasificadores LR, LDA y SVM mostraron un rendimiento similar con un AUC aproximado de 0,61, mostrando tres enfoques que ofrecen un rendimiento similar.

Finalmente, las variables que más contribuyeron a explicar la adherencia según los coeficientes del modelo de regresión logística fueron el resultado de carga viral (-1,30), el riesgo cardiovascular (-0,44) y el mecanismo de transmisión (0,43) (tabla 2).

Discusión

El objetivo de este estudio fue identificar factores explicativos de la adherencia al tratamiento antirretroviral (TAR) en pacientes con VIH, basados en la métrica de desempeño de la curva de ROC. El clasificador de regresión logística (LR) permitió ordenar las variables de acuerdo con su mayor relación en la predicción, destacando el resultado de carga viral, el riesgo cardiovascular, el mecanismo de transmisión, la aceptación del diagnóstico y el consumo de comidas. Considerando la simplicidad del modelo, la cantidad de parámetros y el rendimiento logrado, el enfoque de clasificación de LR se destaca como un modelo predictivo adecuado que se argumenta a través de la siguiente discusión.

Los resultados mostraron que una menor carga viral se asocia con una mayor adherencia al TAR, lo cual concuerda con lo reportado por Seboka et al. (33), quienes identificaron que la adherencia al tratamiento fue la variable más importante en la predicción del fracaso virológico. En su estudio, los modelos eXtreme Gradient Boosting (XGB) y Random Forest (RF) lograron altos niveles de sensibilidad (97 %), puntaje F1 (96 %), AUC (0,99) y precisión (96 %), confirmando la capacidad de estos algoritmos para distinguir con exactitud entre cargas virales suprimidas y no suprimidas. Este estudio también distingue variables de gran importancia para la predicción con el nivel de CD4 y la duración y seguimiento del TAR.

Aunque algunas variables no se encontraron como predictoras se consideran en la literatura como importantes. Estas son el estadio clínico que se puede considerar como una variable significativa cuando se diagnostica y define la terapia más adecuada, pues depende del estadio de la patología (34). Diversos estudios han demostrado que las personas con VIH pueden tener más riesgo de desarrollar enfermedades cardiovasculares comparadas con las no infectadas. Por lo tanto, es crucial la identificación y control de los factores de riesgo cardiovascular al momento de iniciar el TAR (19). A su vez, la adherencia incompleta al TAR está asociada significativamente con un mayor riesgo de mortalidad no relacionada con enfermedad cardiovascular que podría incrementar el riesgo de eventos de ésta (35).

Aunque la información que relaciona los mecanismos de transmisión del VIH y la aceptación del diagnóstico es limitada, se destaca la importancia de la aceptación del diagnóstico como un factor fundamental en la adherencia al TAR (36); la no revelación del diagnóstico a la pareja, la familia y el entorno más cercano, también está asociada a una menor adherencia (37), lo cual impacta negativamente, ya que la dinámica familiar de conocimiento y aceptación influye decisivamente en la adherencia al tratamiento antirretroviral. En este sentido las intervenciones familiares que abordan barreras prácticas y psicosociales muestran resultados positivos (38), así como otras sobre otras condiciones, como la depresión, que afecta las esferas personales y psicosociales del paciente (39).

El consumo de comidas ratifica la importancia de una seguridad alimentaria, ya que tener una alimentación saludable y completa ayuda a pacientes con VIH tener adherencia al TAR e incluso disminuir síntomas depresivos (40), convirtiéndose entonces en un factor protector (41). Por su parte, el consumo de SPA influye negativamente en la supresión viral. Un estudio basado en los problemas de conducta que conlleva el uso de este tipo de sustancias, y que por lo general, afecta el juicio de las personas, encontró también la alteración de la supresión viral (42). Entre los 6390 participantes del estudio, el 20,9 % refirió uso de alcohol/drogas en los últimos 12 meses, afectando su nivel de adherencia en un 15,3 %, y sumando problemas derivados del consumo de drogas/alcohol en un 31,1 %. Esta población presentó, además, una necesidad de tratamiento por consumo de sustancias en un 28,0 % (18). En relación con la presente investigación, se constata la prioridad de intervenciones individuales y colectivas de pacientes convivientes con VIH en problemas de adicción para favorecer los niveles de adherencia al TAR.

La edad también se asocia con la adherencia: las personas mayores de 60 años son un 16 % más adherentes que las menores de 29 (IC 95 %: 1,08-1,24). En contraste, las mujeres mostraron un 5 % menos de adherencia que los hombres (IC 95 %: 0,91-0,99), y los individuos afrodescendientes fueron aproximadamente un 13 % menos adherentes que los de raza blanca (43). Estos hallazgos (43) concuerdan con los del presente estudio, en el que la variable “sexo” evidenció una mayor probabilidad de adherencia en los hombres (81,2 %) frente a las mujeres (76,8 %). La literatura también señala el índice de complejidad farmacoterapéutica como factor asociado a la adherencia, con una probabilidad del 44,6 % en hombres frente al 35,7 % en mujeres (44).

Si bien las variables sociodemográficas presentaron coeficientes bajos, su influencia no debe descartarse, pues abre posibilidades de nuevos estudios investigativos profundos en la temática del tratamiento para pacientes con VIH/sida. En esta línea, la escolaridad es un factor que está catalogado como un determinante social de tipo estructural con posibles efectos en la salud y el bienestar de la población a través de la acción sobre sus intermediarios (45). Estos resultados son consecuentes con un estudio realizado en Brasil por Da Rocha et al. (46), en el que se analizó la terapia antirretroviral en mujeres con VIH desde el perfil clínico y de salud conductual. Los resultados del estudio demostraron que hubo una prevalencia significativa de baja adherencia al TAR y que el principal factor que contribuyó a una mejor adherencia fue el nivel educativo. De esta manera, el grupo de personas con nivel educativo superior (completo o incompleto) tuvieron 1,69 veces más prevalencia de adherencia al TAR (Educación primaria RP = [1], IC 95 % = [-], P. Valor = [-]; Educación secundaria RP = [1.84], IC 95 % = [1.14–3.00], P. Valor = [0.013]; Educación superior RP = [2.69], IC 95 % = [1.53-4.73], P. Valor = [0.001]). Asimismo, las condiciones de vivienda representan un factor sociodemográfico en la explicación de la adherencia (47).

Las personas con un estado socioeconómico bajo son más propensas a abandonar los programas de tratamiento (45). Según el modelo de SVM, los usuarios con vinculación laboral formal tienden a ser adherentes, lo cual implica que el factor laboral actúa como un determinante social de la salud con probabilidad de influir en la salud y bienestar de los pacientes con TAR. Los bajos niveles de educación de los participantes y el bajo nivel socioeconómico son condiciones que interfieren con su adherencia al TAR, aunque su impacto puede mitigarse mediante intervenciones centradas en los determinantes sociales más influyentes identificados en este estudio (48).

Desde la perspectiva de las políticas públicas, es fundamental que las rutas integrales de atención en salud incluyan acciones orientadas al diagnóstico, inspección del proceso terapéutico y metas de cargas virales indetectables. Esto en concordancia con las tendencias y políticas del nuevo milenio, en las que los conocimientos de inversión en tecnología sanitaria para garantizar el cuidado integral, provisión de reactivos para medir CD4 y cargas virales deben ser la semaforización en los indicadores de evaluación como respuesta al Modelo de salud para los pacientes con diagnóstico confirmado en VIH (49).

En esta línea, las acciones transectoriales en los planes de salud pública son esenciales para intervenir sobre los determinantes sociales de la salud. Fortalecer el empleo formal en la población con VIH, disminuir las barreas de discriminación por el diagnóstico, generar oportunidad en el acceso a la educación tecnológica y universitaria para promover un nivel de independencia económica que promueve la inserción en el mercado formal (24) son estrategias que contribuyen a la inclusión de las personas con VIH. Por tanto, los proveedores de atención médica, los consejeros de adherencia, así como las organizaciones gubernamentales y no gubernamentales deben enfatizar un enfoque de intervención multicomponente para abordar los desafíos multifacéticos asociados con la adherencia al tratamiento, mejorando así los esfuerzos de asesoría para aumentar la adherencia (50).

Finalmente, los hallazgos de este estudio y la literatura discutida se encuentran alineados con las estrategias mundiales de la OMS contra el VIH para el periodo 2022-2030 al implementar técnicas de ML para identificar grupos de población prioritarios que busquen orientar políticas de salud pública y estrategias de impacto y cobertura. Este enfoque contribuye a los objetivos globales de aumentar el porcentaje de personas con supresión viral, reducir las nuevas infecciones y disminuir la mortalidad asociada al VIH (51).

Conclusiones

Los factores explicativos de la adherencia al TAR, según el modelo de regresión logística aplicado, presentan una capacidad predictiva de un 0,80. El estudio demostró que las variables altamente relacionadas fueron los controles de carga viral, el factor de riesgo cardiovascular, el mecanismo de transmisión, la aceptación del diagnóstico y el consumo de SPA. Estos factores explican la adherencia en pacientes en tratamiento antirretroviral.

Sin embargo, el total de las variables relacionadas no hace parte de las rutas integrales de atención para los pacientes de VIH, las cuales siguen estructurándose desde una perspectiva clínica. Por ello, se hace necesaria su incorporación en los modelos actuales de atención, conforme a los lineamientos de gobernanza emitidos por la Organización Mundial de la Salud. Esto permitiría fortalecer la integralidad de la atención y avanzar hacia el desarrollo de una política pública intersectorial orientada a mejorar los resultados en salud, promoviendo el bienestar y la calidad de vida de las personas en TAR.

Asimismo, se recomienda implementar procesos de rehabilitación liderados por equipos transdisciplinarios, con el propósito de generar un impacto positivo en el bienestar mental, la retención en el cuidado y la adherencia al tratamiento. Dichos procesos deberían incluir la identificación de barreras, la consejería, el apoyo individual y colectivo para la aceptación del diagnóstico, y el abordaje del estigma y la discriminación, especialmente en poblaciones vulnerables como mujeres, comunidades LGBTIQ+, grupos étnicos minoritarios y otras poblaciones clave.

Referencias

Notas

^* Artículo de investigación

Notas de autor

^a Autora de correspondencia. Correo electrónico: isabelcrojasp@gmail.com

Información adicional

Cómo citar: Urrutia Valdés, A., Gaviria Chavarro, J., Facundo Duarte, A., Vergara López, Y., Araujo Castillo, D. Y., Bravo Pérez, O. M. y Rojas-Padilla, I. C. (2025). Factores explicativos de la adherencia al tratamiento antirretroviral con técnicas de Machine Learning. Gerencia y Políticas de Salud, 24. https://doi.org/10.11144/Javeriana.rgps24.ftml

Descargar