Modelo de inteligencia artificial para la detección temprana de diabetes
Resumen
Introducción. La diabetes es una enfermedad crónica que se caracteriza por el aumento de la concentración de la glucosa en sangre. Puede generar complicaciones que afectan la calidad de vida y aumentan los costos de la atención en salud. En los últimos años, las tasas de prevalencia y mortalidad han aumentado en todo el mundo. El desarrollo de modelos con gran desempeño predictivo puede ayudar en la identificación temprana de la enfermedad.
Objetivo. Desarrollar un modelo basado en la inteligencia artificial para apoyar la toma de decisiones clínicas en la detección temprana de la diabetes.
Materiales y métodos. Se llevó a cabo un estudio de corte transversal, utilizando un conjunto de datos que incluía edad, signos y síntomas de pacientes con diabetes y de individuos sanos. Se utilizaron técnicas de preprocesamiento para los datos. Posteriormente, se construyó el modelo basado en mapas cognitivos difusos. El rendimiento se evaluó mediante tres parámetros: exactitud, especificidad y sensibilidad.
Resultados. El modelo desarrollado obtuvo un excelente desempeño predictivo, con una exactitud del 95 %. Además, permitió identificar el comportamiento de las variables involucradas usando iteraciones simuladas, lo que proporcionó información valiosa sobre la dinámica de los factores de riesgo asociados con la diabetes.
Conclusiones. Los mapas cognitivos difusos demostraron ser de gran valor para la identificación temprana de la enfermedad y en la toma de decisiones clínicas. Los resultados sugieren el potencial de estos enfoques en aplicaciones clínicas relacionadas con la diabetes y respaldan su utilidad en la práctica médica para mejorar los resultados de los pacientes.
Descargas
Referencias bibliográficas
O’Connell JM, Manson SM. Understanding the economic costs of diabetes and prediabetes and what we may learn about reducing the health and economic burden of these conditions. Diabetes Care. 2019;42:1609-11. https://doi.org/10.2337/dci19-0017
Sutton RT, Pincock D, Baumgart DC, Sadowski DC, Fedorak RN, Kroeker KI. An overview of clinical decision support systems: Benefits, risks, and strategies for success. NPJ Digit Med. 2020;3:1-10. https://doi.org/10.1038/s41746-020-0221-y
Xue J, Min F, Ma F. Research on diabetes prediction method based on machine learning. J Phys Conf Ser. 2020;1684:1-6. https://doi.org/10.1088/1742-6596/1684/1/012062
Chang V, Ganatra MA, Hall K, Golightly L, Xu QA. An assessment of machine learning models and algorithms for early prediction and diagnosis of diabetes using health indicators. Healthcare Analytics. 2022;2:1-14. https://doi.org/10.1016/j.health.2022.100118
Khanam JJ, Foo SY. A comparison of machine learning algorithms for diabetes prediction. ICT Express. 2021;7:432-9. https://doi.org/10.1016/j.icte.2021.02.004
Dinh A, Miertschin S, Young A, Mohanty SD. A data-driven approach to predicting diabetes and cardiovascular disease with machine learning. BMC Med Inform Decis Mak. 2019;19:1-15. https://doi.org/s12911-019-0918-5
Chaves L, Marques G. Data mining techniques for early diagnosis of diabetes: A comparative study. Appl Sci. 2021;11:1-12. https://doi.org/10.3390/app11052218
Giles BG, Findlay CS, Haas G, LaFrance B, Laughing W, Pembleton S. Integrating conventional science and aboriginal perspectives on diabetes using fuzzy cognitive maps. Soc Sci Med. 2007;64:562-76. https://doi.org/10.1016/j.socscimed.2006.09.007
Alam A. Fuzzy cognitive maps approach to identify risk factors of diabetes. J Phys Sci. 2017;22:13-21.
Bhatia N, Kumar S. Prediction of severity of diabetes mellitus using fuzzy cognitive maps. Adv Life Sci Technol. 2015;29:71-8.
Hoyos W, Aguilar J, Toro M. PRV-FCM: An extension of fuzzy cognitive maps for prescriptive modeling. Expert Syst Appl. 2023;231:1-15. https://doi.org/10.1016/j.eswa.2023.120729
Islam M, Ferdousi R, Rahman S, Bushra HY. Likelihood prediction of diabetes at early stage using data mining techniques. Computer vision and machine intelligence in medical image analysis. 2020:113-25. https://doi.org/10.1007/978-981-13-8798-2_12
Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: Synthetic Minority Oversampling Technique. J Artif Intell Res. 2002;16:321-57. https://doi.org/10.1613/jair.953
Amirkhani A, Papageorgiou EI, Mohseni A, Mosavi MR. A review of fuzzy cognitive maps in medicine: Taxonomy, methods, and applications. Comput Methods Programs Biomed. 2017;142:129-45. https://doi.org/10.1016/j.cmpb.2017.02.021
Kosko B. Fuzzy cognitive maps. Int J Man-Machine Studies. 1986;24:65-75. https://doi.org/10.1016/S0020-7373(86)80040-2
Aguilar J. A fuzzy cognitive map based on the random neural model. Engineering of intelligent systems. 2001;333-8. https://doi.org/10.1007/3-540-45517-5_37
Hoyos W, Aguilar J, Toro M. A clinical decision-support system for dengue based on fuzzy cognitive maps. Health Care Manag Sci. 2022;25:666-81. https://doi.org/10.1007/s10729-022-09611-6
Battineni G, Sagaro GG, Nalini C, Amenta F, Tayebati SK. Comparative machine-learning approach: A follow-up study on type 2 diabetes predictions by cross-validation methods. Machines. 2019;7:1-11. https://doi.org/10.3390/machines7040074
Kennedy J, Eberhart, R. Particle swarm optimization. Proceedings of ICNN’95 - International Conference on Neural Networks. 1995;4:1942-48. https://doi.org/10.1109/ICNN.1995.488968
Ministerio de Salud, Colombia. Resolución Número 8430 de 1993. Por la cual se establecen las normas científicas, técnicas y administrativas para la investigación en salud. Fecha de consulta: 9 de mayo de 2023. Disponible en: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/DIJ/RESOLUCION-8430-DE-1993.PDF
International Diabetes Federation. IDF Diabetes Atlas. 10th edition. Brussels, Belgium: Diabetes Research and Clinical Practice; 2021. Fecha de consulta: 5 de mayo de 2023. Disponible en: https://www.diabetesatlas.org
Elreedy D, Atiya AF. A comprehensive analysis of Synthetic Minority Oversampling Technique (SMOTE) for handling class imbalance. Inf Sci. 2019;505:32-64. https://doi.org/10.1016/j.ins.2019.07.070
Shu CJ, Benoist C, Mathis D. The immune system’s involvement in obesity-driven type 2 diabetes. Semin Immunol. 2012;24:436-42. https://doi.org/10.1016/j.smim.2012.12.001
Njomnang Soh P, Vidal F, Huyghe E, Gourdy P, Halimi JM, Bouhanick B. Urinary and genital infections in patients with diabetes: How to diagnose and how to treat. Diabetes Metab. 2016;42:16-24. https://doi.org/10.1016/j.diabet.2015.07.002
Hussain A, Ashique S, Afzal O, Altamimi MA, Malik A, Kumar S, et al. A correlation between oxidative stress and diabetic retinopathy: An updated review. Exp Eye Res. 2023;236:1-12. https://doi.org/10.1016/j.exer.2023.109650
Rhou YJJ, Henshaw FR, McGill MJ, Twigg SM. Congestive heart failure presence predicts delayed healing of foot ulcers in diabetes: An audit from a multidisciplinary high-risk foot clinic. J Diabetes Complications. 2015;29:556-62. https://doi.org/10.1016/j.jdiacomp.2015.02.009
Shiraki T, Iida O, Takahara M, Soga Y, Yamauchi Y, Hirano K, et al. Predictors of delayed wound healing after endovascular therapy of isolated infrapopliteal lesions underlying critical limb ischemia in patients with high prevalence of diabetes mellitus and hemodialysis. Eur J Vasc Endovasc Surg. 2015;49:565-73. https://doi.org/10.1016/j.ejvs.2015.01.017
Froelich W, Wakulicz-Deja A. Mining temporal medical data using adaptive fuzzy cognitive maps. Proceedings of ICNN’95 - International Conference on Neural Networks. 2009;16-23. https://doi.org/10.1109/HSI.2009.5090946
Algunos artículos similares:
- María Clara Echeverry, Nubia Catalina Tovar, Guillermo Mora, Presencia de anticuerpos contra neurorreceptores cardiacos de acetilcolina muscarínicos tipo II en pacientes con enfermedad de Chagas e implantación de marcapasos , Biomédica: Vol. 29 Núm. 3 (2009)
- David Yepes, Francisco Molina, Gloria Ortiz, Ricardo Aguirre, Factores de riesgo asociados a neumonía en pacientes , Biomédica: Vol. 29 Núm. 2 (2009)
- Lázaro Vélez, Natalia Loaiza, Lina María Gaviria, María Angélica Maya, Zulma Vanessa Rueda, Luz Teresita Correa, Jorge Ortega, Héctor Ortega, Evaluación de la concordancia entre dos métodos de lavado broncoalveolar para el diagnóstico microbiológico de la neumonía en pacientes con asistencia respiratoria mecánica , Biomédica: Vol. 28 Núm. 4 (2008)
- Guillermo Mora, María Clara Echeverry, Gustavo Enrique Rey, Myriam Consuelo López, Luisa Fernanda Posada, Fabio Aurelio Rivas, Frecuencia de anticuerpos anti Trypanozoma cruzi en pacientes portadores de marcapasos de la Clinica San Pedro Claver de Bogotá , Biomédica: Vol. 27 Núm. 4 (2007)
- Juan Carlos Miguel, Ariana Erazo, Fernanda Beduino, Juan Carlos Picena, María Isabel Luciano, Gustavo Pizzuti, María Cristina Tarrés, Silvana Montenegro, Stella Maris Martínez, Dilataciones bronquiales crónicas en diferentes colonias de ratas de laboratorio , Biomédica: Vol. 22 Núm. 2 (2002)
- Luis Alfonso Pérez, Diana Marcela González, Karen Margarita de Jesús Álvarez, Luis Alfonso Díaz-Martínez, Presión positiva continua en la vía aérea comparada con la respiración mecánica asistida en prematuros de 28 a 32 semanas de gestación con administración precoz de surfactante pulmonar , Biomédica: Vol. 34 Núm. 4 (2014)
Derechos de autor 2023 Biomédica
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
