Modelo de inteligencia artificial para la detección temprana de diabetes

William Hoyos, Kenia Hoyos, Rander Ruiz-Pérez, .

Palabras clave: diabetes/diagnóstico, predicción, factores de riesgo, sistema de apoyo a la decisión clínica, inteligencia artificial

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

Los datos de descargas todavía no están disponibles.
  • William Hoyos Grupo de Investigación en Ingeniería Sostenible e Inteligente, Universidad Cooperativa de Colombia, Montería, Colombia; Grupo de Investigaciones Microbiológicas y Biomédicas de Córdoba, Universidad de Córdoba, Montería, Colombia https://orcid.org/0000-0002-9165-8208
  • Kenia Hoyos Laboratorio Clínico, Clínica Salud Social, Sincelejo, Colombia https://orcid.org/0000-0003-0203-2367
  • Rander Ruiz-Pérez Grupo de Investigación Interdisciplinario del Bajo Cauca y Sur de Córdoba, Universidad de Antioquia, Medellín, Colombia https://orcid.org/0000-0002-2982-4367

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

Cómo citar
1.
Hoyos W, Hoyos K, Ruiz-Pérez R. Modelo de inteligencia artificial para la detección temprana de diabetes. biomedica [Internet]. 29 de diciembre de 2023 [citado 18 de abril de 2024];43(Sp. 3):110-21. Disponible en: https://revistabiomedica.org/index.php/biomedica/article/view/7147

Algunos artículos similares:

Publicado
2023-12-29

Métricas

Estadísticas de artículo
Vistas de resúmenes
Vistas de PDF
Descargas de PDF
Vistas de HTML
Otras vistas
Crossref Cited-by logo
QR Code