Predictive Models in Public Health: The Approach to Diabetes using Artificial Intelligence
Keywords:
diabetes, artificial intelligence, public health, machine learning, deep learning
Abstract
This paper aimed to develop an application based on artificial intelligence, whose purpose is the early detection and care of type 2 diabetes mellitus, a disease that affects 9.3% of adults globally. Methodologically, a non-experimental quantitative approach was used, making use of a dataset of 800 patients, from which 160 were selected to train a predictive model, implementing machine learning algorithms, such as K-Nearest Neighbors (KNN) and Random Forest (RF), which facilitated the analysis of clinical and biometric data. Among the main results, the KNN model showed an accuracy of 95.5%, while RF showed 92.16% accuracy. Likewise, logistic regression achieved an accuracy of 79.33%. These models identified glucose as the most significant predictor, with a correlation of 0.49 with respect to diabetes. It was concluded that the use of Artificial Intelligence models constitutes an effective, accessible, non- intrusive and economical way to facilitate early detection and care of diabetes, improving the quality of personalized care, demonstrating the public health benefits that can be achieved.
Downloads
Download data is not yet available.
References
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.
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.
Published
2025-05-06
How to Cite
Aparicio-Montenegro , P. R., Narro Andrade , M. G., León-Velarde , C. G., Morales Romero , G. P., & Fernández-Flores , S. M. (2025). Predictive Models in Public Health: The Approach to Diabetes using Artificial Intelligence. Political Questions, 43(82), 91-106. Retrieved from https://mail.produccioncientificaluz.org/index.php/cuestiones/article/view/43842
Section
Derecho Público
Copyright
The authors who publish in this journal agree to the following terms:
The authors retain the copyright and guarantee the journal the right to be the first publication where the article is presented, which is published under a Creative Commons Attribution License, which allows others to share the work prior to the recognition of the authorship of the article work and initial publication in this journal.
Authors may separately establish additional agreements for the non-exclusive distribution of the version of the work published in the journal (for example, placing it in an institutional repository or publishing it in a book), with an acknowledgment of its initial publication in this journal.
This work is under license:
Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
