Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Artificial

Pablo Roberto  Aparicio-Montenegro; Manuel Guillermo  Narro Andrade; César Gerardo  León-Velarde; Guillermo Pastor  Morales Romero; Silvia Milagros  Fernández-Flores

Pablo Roberto Aparicio-Montenegro Universidad Nacional Federico Villarreal, Lima, Perú. https://orcid.org/0000-0001-6034-9536
Manuel Guillermo Narro Andrade Universidad Nacional Federico Villarreal, Lima, Perú. https://orcid.org/0000-0001-6762-2136
César Gerardo León-Velarde Universidad Nacional Federico Villarreal, Lima, Perú. https://orcid.org/0000-0002-8273-1995
Guillermo Pastor Morales Romero Universidad Nacional de Educación Enrique Guzmán y Valle, Lima, Perú. https://orcid.org/0000-0002-5686-7661
Silvia Milagros Fernández-Flores Universidad de San Martín de Porres, Lima, Perú. https://orcid.org/0000-0002-0626-9647

Palabras clave: diabetes, inteligencia artificial, salud pública, machine learning, deep learning

Resumen

El artículo tuvo como objetivo desarrollar una aplicación basada en la inteligencia artificial, cuya finalidad es la detección y atención temprana de la diabetes mellitus tipo 2, una enfermedad que afecta al 9.3% de los adultos a nivel global. Metodológicamente, se empleó un enfoque cuantitativo no experimental, haciendo uso de un conjunto de datos de 800 pacientes, de los que se seleccionaron 160 para entrenar un modelo predictivo, implementando algoritmos de machine learning, tales como K-Nearest Neighbors (KNN) y Random Forest (RF), que facilitaron el análisis de datos clínicos y biométricos. Entre los principales resultados se destaca que el modelo KNN evidenció una precisión del 95,5%, mientras que RF demostró un 92.16% de precisión. Asimismo, la regresión logística alcanzó una precisión del 79,33%. Estos modelos identificaron la glucosa como el factor predictivo más significativo, con una correlación de 0.49 respecto a la diabetes. Se concluyó que el uso de modelos de Inteligencia Artificial constituye una forma eficaz, accesible, no intrusiva y económica para facilitar la detección y atención temprana de la diabetes, mejorando la calidad en la atención personalizada, demostrando los beneficios que se pueden alcanzar en materia de salud pública.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Pablo Roberto Aparicio-Montenegro , Universidad Nacional Federico Villarreal, Lima, Perú.

Ingeniero Industrial, Maestro en Ingeniería de Sistemas, Especialista en Inteligencia Artificial, Simulación, Ciberseguridad e Investigación, Doctorando en Ingeniería en Sistemas. Profesor e investigador de la Universidad Nacional Federico Villarreal, Lima, Perú.

Manuel Guillermo Narro Andrade , Universidad Nacional Federico Villarreal, Lima, Perú.

Ingeniero de Sistemas Maestro en Administración y Dirección de Empresas, Magister en Ingeniera de Sistemas, mención en Gerencia de Tecnología de la Información. Profesor e investigador de la Universidad Nacional Federico Villarreal, Lima, Perú.

César Gerardo León-Velarde , Universidad Nacional Federico Villarreal, Lima, Perú.

Licenciado en Educación: Filosofía, Magister en Educación: Medición y Evaluación de la Calidad Educativa, Magister en Gestión de la Educación, Doctor en Educación. Profesor e investigador de la Universidad Nacional Federico Villarreal, Lima, Perú.

Guillermo Pastor Morales Romero , Universidad Nacional de Educación Enrique Guzmán y Valle, Lima, Perú.

Ingeniero en Sistemas, Licenciado en Matemática e Informática, Abogado, Especialista en Auditoria Informática, Especialista en Educación Básica Alternativa, Magíster en Gestión Educacional, Magíster en Gestión Pública, Magíster en Ingeniería de Sistemas, Doctor en Ciencias de la Educación. Profesor e investigador de la Universidad Nacional de Educación Enrique Guzmán y Valle, Lima, Perú.

Silvia Milagros Fernández-Flores , Universidad de San Martín de Porres, Lima, Perú.

Ingeniera en Computación e Informática, Magíster en Educación: Docencia Virtual, Doctoranda en Educación. Docente e investigadora de la Universidad de San Martín de Porres, Lima, Perú.

Citas

AHMED, Usama; ISSA, Ghassan F; KHAN, Muhammad; AFTAB, Shabib; KHAN, Muhammad; SAID, Raed; GHAZAL, Taher; AHMAD, Munir. 2022. “Prediction of Diabetes Empowered with Fused Machine Learning” En: IEEE Access. No. 10, pp. 8529–8538. Disponible en línea. En: https://doi.org/10.1109/ACCESS.2022.3142097. Fecha de consulta: 10 de octubre de 2024.

ALDOSERI, Abdulaziz; AL-KHALIFA, Khalifa; HAMOUDA, Abdel. 2023. “Re- thinking data strategy and integration for artificial intelligence: Concepts, opportunities, and challenges” En: Applied Sciences. Vol. 13, No. 12, pp. 7082. Disponible en línea. En: https://doi.org/10.3390/app13127082. Fecha de consulta: 22 de octubre de 2024.

BOATENG, Ernest; ABAYE, Daniel. 2019. “A review of the logistic regression model with emphasis on medical research” En: Journal of Data Analysis and Information Processing. Vol. 7, No. 4, pp. 193-204. Disponible en línea. En: https://doi.org/10.4236/jdaip.2019.74012. Fecha de consulta: 22 de diciembre de 2024.

DAVIDSON, K. W., BARRY, M. J., MANGIONE, C. M., CABANA, M., CAUGHEY, A. B., DAVIS, E. M., & WONG, J. B. 2021. “Screening for Prediabetes and Type 2 Diabetes: US Preventive Services Task Force Recommendation Statement!” En: JAMA. Vol. 326, No. 8, pp. 736–743. Disponible en línea. En: https://doi.org/10.1001/jama.2021.12538. Fecha de consulta: 22 de diciembre de 2024.

DEBERNEH, Henock; KIM, Intaek. 2023. “Prediction of Type 2 Diabetes Based on Machine Learning Algorithm in the Internet of Medical Things Environment” En: National Library of Medicine. Disponible en línea. En: https://pubmed.ncbi.nlm.nih.gov/33806973/. Fecha de consulta: 22 de diciembre de 2024.

FANG, Conglong; GAI, Qingen; HE, Chaofei; SHI, Qinghua. 2020. “The Experience of Poverty Reduction in Rural China” En: SAGE Open. Disponible en línea. En: https://doi.org/10.1177/2158244020982288. Fecha de consulta: 22 de diciembre de 2024.

GAUTIER, Thibault; ZIEGLER, Leah B; GERBER, Matthew; CAMPOS-NÁÑEZ, Enrique; PATEK, Stephen. 2021. “Artificial intelligence and diabetes technology: A review”. En: Metabolism: Clinical and Experimental. Vol. 124. W.B. Saunders. Disponible en línea. En: https://doi.org/10.1016/j.metabol.2021.154872. Fecha de consulta: 25 de diciembre de 2024.

GUPTA, Meenu; KUMAR, Rakesh; AHMED, Shakeel; PRIYADARSHAN, Prasuryya; SHARMA, Aditya. 2022. Low Latency Packet Delivery for SOHO “Infrastructure. Proceedings of 2022 2nd Inte rnational” En: Conference on Computing and Information Technology, ICCIT 2022, 65–68. Disponible en línea. En: https://ieeexplore.ieee.org/ document/9711632. Fecha de consulta: 14 de noviembre de 2024.

HENNEBELLE, Alain; MATERWALA, Huned; ISMAIL, Leila. 2023. “HealthEdge: A Machine Learning-Based Smart Healthcare Framework for Prediction of Type 2 Diabetes in an Integrated IoT, Edge, and Cloud Computing System” En: Procedia Computer Science. Vol. 220, pp. 331-338. Disponible en línea. En: https://doi.org/10.1016/j.procs.2023.03.043. Fecha de consulta: 15 de marzo de 2024.

HOYOS, William; HOYOS, Kenia; RUIZ-PÉREZ, Rander. 2023. “Modelo de inteligencia artificial para la detección temprana de diabetes” En: Biomédica. Vol. 43(Suppl 3), pp. 110-125. Disponible en línea. En: https://doi.org/10.1186/s12902-023-01316-7. Fecha de consulta: 19 de diciembre de 2024.

INTERNATIONAL DIABETES FEDERATION. 2021. International Diabetes Federation’s Guide for Diabetes Epidemiologcial Studies. Disponible en línea. En: https://www.diabetesresearchclinicalpractice.com/article/S0168-8227(20)30887-1/fulltext. Fecha de consulta: 15 de enero de 2025.

KODAMA, Satoru; FUJIHARA, Kazuya; HORIKAWA, Chika; KITAZAWA, Masaru; IWANAGA, Midori; KATO, Kiminori; WATANABE, Kenichi; NAKAGAWA, Yoshimi; MATSUZAKA, Takashi; SHIMANO, Hitoshi; SONE, Hirohito. 2022. “Predictive ability of current machine learning algorithms for type 2 diabetes mellitus: A meta-analysis” En: Journal of Diabetes Investigation. Vol. 13, No. 5, pp. 900-908. Disponible en línea. En: https://doi.org/10.1111/jdi.13736. Fecha de consulta: 15 de enero de 2025.

KOPITAR, L., FORTUNA, T; GORO, M. 2023. “Deep Learning-Based Predictive Models for Early Detection of Type 2 Diabetes Mellitus” Disponible en línea. En: https://doi.org/10.1093/biomed/bmy120.

KOWSHER, MD; TURABA, Mahbuba; SAJED, Tanvir; RAHMAN, M. M. M. 2023. “Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural Network and Machine Learning Classifiers” En: Cornell University. Disponible en línea. En: https://arxiv.org/abs/2301.03093. Fecha de consulta: 15 de diciembre de 2024.

MALPARTIDA, Jaime. 2022. “Predicción de diabetes mellitus tipo 2 utilizando atributos médicos del Policlínico Leo SAC de San Juan de Lurigancho mediante el enfoque de Machine Learning” En: Revista Científica. Vol. 2, No. 4, pp. 1-19.

MOHSEN, Farida; AL-ABSI, Hamada R. H; YOUSRI, Noha A; EL HAJJ, Nady; SHAH, Zubair. 2023. “Artificial Intelligence-Based Methods for Precision Medicine: Diabetes Risk Prediction” En: Cornell University. Disponible en línea. En: https://doi.org/10.48550/arXiv.2305.16346. Fecha de consulta: 10 de octubre de 2024.

MORALES-MARTÍNEZ, Guadalupe; ÁNGELES CASTELLANOS, Alberto; IBARRA, Víctor; MANCERA, Magaly. 2020. “Herramientas cognitivas electrónicas para diagnosticar el estado del conocimiento médico en estudiantes matriculados en una carrera” En: Revista Internacional de Aprendizaje, Enseñanza e Investigación Educativa. Vol. 19, No. 9, pp. 341-362. Disponible en línea. En: https://doi.org/10.26803/ijlter.19.9.18. Fecha de consulta: 14 de enero de 2025.

MORELLI, Daniela; RUBINSTEIN, Fernando; SANTERO, Marilina; GIBBONS, Luz; MOYANO, Daniela; NEJAMIS, Analia; BERATARRECHEA, Andrea. 2023. “Effectiveness of a diabetes program based on digital health on capacity building and quality of care in type 2 diabetes: a pragmatic quasi-diexperimental study” En: BMC Health Services Research. Vol. 23, No. 1. Disponible en línea. En: https://doi.org/10.1186/s12913-023- 09082-7. Fecha de consulta: 14 de enero de 2025.

MOSQUERA, Guillermo; HERRERÍA, Julio; BONILLA, Vladimir; SÁNCHEZ, Miguel; ANDRADE, Cristina. 2023. “Prediagnóstico Médico de la Diabetes Mellitus tipo 2 mediante Machine Learning” En: Revista Innovación Digital Y Desarrollo Sostenible – IDS. Vol. 3, No. 2, pp. 65-69. Disponible en línea. En: https://revistas.iudigital.edu.co/index.php/ids/article/view/114. Fecha de consulta: 12 de enero de 2025.

NUANKAEW, Pratya; CHAISING, Supansa; TEMDEE, Punnarumol. 2021. “Average Weighted Objective Distance- Based Method for Type 2 Diabetes Prediction” En: IEEE Access. S, pp. 137015–137028. Disponible en línea. En: https://doi.org/10.1109/ACCESS.2021.3117269. Fecha de consulta: 15 de septiembre de 2024.

ONG, K. L; STAFFORD, L. K; MCLAUGHLIN, S. A; BOYKO, E. J; VOLLSET, S. E; SMITH, A. E; DALTON, B. E; ET AL. 2023. “Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: A systematic analysis for the Global Burden of Disease Study 2021” En: The Lancet Diabetes & Endocrinology. Vol. 11, No. 5, pp. 420-430. Disponible en línea: https://doi.org/10.1016/S2213- 8587(23)00152-9. Fecha de consulta: 15 de septiembre de 2024.

RAFFALI, Ana; MOHD ASRAF, Ratnawati. 2023.” Fomentar los principios de mentalidad de crecimiento en la prevención de la diabetes tipo 2 mediante un juego narrativo” En: Revista Internacional de Aprendizaje, Enseñanza e Investigación Educativa. Vol. 22, No. 2, pp. 244-261. Disponible en: https://doi.org/10.26803/ijlter.22.2.14. Fecha de consulta: 25 de septiembre de 2024.

RAMÍREZ, O; CARRANZA-ALVAREZ, A; MCCOLLOUGH, C. 2019. “Diabesidad entre los latinos: Una actividad matemática culturalmente relevante” En: Revista Internacional de Aprendizaje, Enseñanza e Investigación Educativa. Vol. 18, No. 4, 63-84.

SONKO, Salleh; LAMYA, Fathima; ALZUBAIDI, Mahmood; SHAH, Hurmat; ALAM, Tanvir; SHAH, Zubair; HOUSEH, Mowafa. 2023. “Predicting Long-Term Type 2 Diabetes with Artificial Intelligence (AI): A Scoping Review” En: Studies in Health Technology and Informatics. No. 305, pp. 652–655. Disponible en línea. En: https://doi.org/10.3233/SHTI230582. Fecha de consulta: 25 de septiembre de 2024.

VALABHJI, Jonathan; BARRON, Emma; DOMINIQUE, Bradley; BAKHAI, Chirag; KHUNTI, Khunti; JEBB, Susan. 2022. “Effect of the COVID-19 pandemic on body weight in people at high risk of type 2 diabetes referred to the English NHS Diabetes Prevention Programme” En: The Lancet Diabetes & Endocrinology. Vol. 9, No. 8, pp. 649-651. Disponible en línea. En: https://doi.org/10.1016/S2213-8587(21)00218-7. Fecha de consulta: 25 de septiembre de 2024.

ZARORA, Reetu; SIMMONS, David. 2023. “Effectiveness of Diabetes Case Conferencing Program on Diabetes Management” En: International Journal of Integrated Care. Vol. 23, No. 1-2. Disponible en línea. En: https://pubmed.ncbi.nlm.nih.gov/36741969/. Fecha de consulta: 25 de septiembre de 2024.