Modelos de aprendizaje automático para la detección precoz y la clasificación precisa de la diabetes de tipo 2

La diabetes es una enfermedad que ocurre cuando los niveles de azúcar en la sangre aumentan debido a problemas metabólicos, lo que puede causar daño a varios órganos y sistemas corporales. Existen dos tipos principales: tipo 1, una enfermedad autoinmune que destruye las células productoras de insulina, y tipo 2, caracterizada por problemas en el uso adecuado de la insulina debido a factores relacionados con el estilo de vida. La prevalencia de la diabetes tipo 2 ha aumentado significativamente en la última década en todo el mundo, con graves consecuencias para la salud y enormes costos asociados.

Por otro lado, los modelos de inteligencia artificial son herramientas prometedoras para identificar y controlar la diabetes, utilizando datos médicos y otros factores de riesgo para predecir el desarrollo de la enfermedad. Estos modelos también se aplican en análisis de imágenes médicas para detectar signos tempranos de diabetes. El objetivo de estos modelos es mejorar la calidad de la atención al paciente y reducir los costos médicos al prevenir y tratar la diabetes de manera más efectiva.

El objetivo de este trabajo realizado por el Dr. Orlando Iparraguirre Villanueva, docente de la carrera de Ingeniería de Sistemas de la Autónoma, en colaboración con la Mg. Karina Espinola Linares, Dra. Rosalynn Flores Castañeda y el Mg. Michael Cabanillas Carbonell, fue detectar y clasificar la diabetes tipo 2 en pacientes mediante modelos de aprendizaje automático (ML), y seleccionar el modelo más óptimo para predecir el riesgo de diabetes. 

En este artículo, se investigan cinco modelos, que incluyen el K-nearest neighbor (K-NN), Bernoulli Naïve Bayes (BNB), el árbol de decisión (DT), la regresión logística (LR) y la máquina de vectores de soporte (SVM), para predecir a los pacientes diabéticos. Para lograr esto, se emplea un conjunto de datos del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales (NIH) alojado en Kaggle. 

Los resultados muestran que los modelos K-nearest neighbor y Bernoulli Naïve Bayes superan a los otros modelos. El modelo K-nearest neighbor obtuvo la mejor precisión en la detección de diabetes, con un 79,6% de precisión, mientras que el modelo Bernoulli Naïve Bayes obtuvo un 77,2% de precisión en la detección de diabetes. Por último, se puede afirmar que el uso de modelos de aprendizaje automático para la detección precoz de la diabetes es muy prometedor.