Aprendizaje automático aplicado a la detección temprana de Diabetes Mellitus tipo 2: Caso Saltillo, México.
Palabras clave:
Diabetes Mellitus tipo 2, Machine Learning, Modelos predictivosResumen
A lo largo de las últimas décadas, los sistemas de salud en el mundo han registrado un importante crecimiento en el número de personas con diagnóstico de Diabetes Mellitus, el cual se puede describir como un padecimiento asociado a condiciones de vida poco saludables tales como la obesidad y/o sobrepeso, vida sedentaria y alimentación rica en azúcares y grasas, así como a la predisposición por factores genéticos. Ante la falta de estrategias de detección temprana, los afectados son diagnosticados una vez que han desarrollado la enfermedad y, por tanto, presentan síntomas evidentes. En este artículo se presentan los resultados de un estudio, donde se llevó a cabo el levantamiento de información clínica sobre personas mayores de 15 años con factores de riesgo a la Diabetes Mellitus Tipo 2, atendidos en el Instituto Mexicano del Seguro Social en la Ciudad de Saltillo, Coahuila, México. Dicha base de datos, de 1820 registros, permitió explorar diferentes herramientas de Machine Learning que permiten la detección temprana de enfermedades, tal es el caso de los modelos de Aprendizaje Supervisado como Naive Bayes y Random Forest, los cuales, al ser entrenados, alcanzaron más de 73% de sensibilidad en la predicción de esta enfermedad.
Referencias
[1] Encuesta Nacional de Salud y Nutrición (ENSANUT) 2022, Página del Instituto Nacional de Salud Pública, México, recuperado 21 marzo 2024. https://ensanut.insp.mx/
[2] Basto-Abreu, A., López-Olmedo, N., Rojas-Martínez, R., Aguilar-Salinas, C. A., Moreno-Banda, G. L., Carnalla, M., Rivera, J.A., Romero-Martínez, M., Barquera, S., Barrientos-Gutiérrez, T. (2023). Prevalencia de prediabetes y diabetes en México: Ensanut 2022. Salud Pública de México, 65, s163-s168.
[3] World Health Organization. (2016). Global report on diabetes: executive summary (No. WHO/NMH/NVI/16.3). World Health Organization.
[4] Basto-Abreu, A., Barrientos-Gutiérrez, T., Rojas-Martínez, R., Aguilar-Salinas, C. A., López-Olmedo, N., De la Cruz-Góngora, V., Rivera-Dommarco, J., Shamah-Levy, T., Romero-Martínez, M., Barquera, S., López-Ridaura, R., Hernández-Ávila, M., Villalpando, S. (2020). Prevalencia de Diabetes y descontrol glucémico en México: Resultados de la ENSANUT 2016. Salud Pública de México, 62, 50–59.
[5] Escamilla, L. C. (2021). Panorama epidemiológico de la diabetes tipo 2 en la frontera norte de México. El Colegio de Sonora, Centro de Estudios en Salud y Sociedad, 1-77.
[6] Gobierno del Estado de Coahuila de Zaragoza (2020). www.coahuila.gob.mx, Recuperado el día 04 de Octubre de 2022.
[7] Herman, W. H., Ye, W., Griffin, S. J., Simmons, R. K., Davies, M. J., Khunti, K., Rutten, G. E., Sandbaek, A., Lauritzen, T., Borch-Johnsen, K., Brown, M.B. (2015). Early detection and treatment of Type 2 Diabetes reduce cardiovascular morbidity and mortality: A simulation of the results of the Anglo-Danish-Dutch Study of Intensive Treatment in People With Screen-Detected Diabetes in Primary Care (ADDITION-Europe). Diabetes Care, 38(8):1449–1455.
[8] Villalpando, S., de La Cruz, V., Rojas, R., Shamah-Levy, T., Ávila, M. A., Gaona, B., Rebollar, R., Hernández, L. (2010). Prevalence and distribution of type 2 diabetes mellitus in Mexican adult population: a probabilistic survey. Salud Pública de México, 52, S19-S26.
[9] Sidey-Gibbons, J. A., Sidey-Gibbons, C. J. (2019). Machine Learning in Medicine: A practical introduction. BMC Medical Research Methodology, 19,1–18.
[10] Kaur, H., Kumari, V. (2020). Predictive modelling and analytics for Diabetes using a Machine Learning approach. Applied Computing and Informatics, 18(1/2), 90-100.
[11] Mejía, J. A., Oviedo-Benalcázar, M. A., Ordoñez, J. A., Valencia-Murillo, J. F. (2023). Aprendizaje automático aplicado a la predicción de diabetes mellitus, utilizando información socioeconómica y ambiental de usuarios del sistema de salud. Revista Facultad Nacional de Salud Pública, 41(2).
[12] Chen, M., Hao, Y., Hwang, K., Wang, L., Wang, L. (2017). Disease prediction by Machine Learning over Big Data from healthcare communities. IEEE Access, 5:8869–8879.
[13] Chang, V., Ganatra, M. A., Hall, K., Golightly, L., Xu, Q. A. (2022). An assessment of machine learning models and algorithms for early prediction and diagnosis of diabetes using health indicators. Healthcare Analytics, 2, 100118.
[14] Oladimeji, O. O., Oladimeji, A., Oladimeji, O. (2021). Classification models for likelihood prediction of Diabetes at early stage using Feature Selection. Applied Computing and Informatics.
[15] Kumari, S., Kumar, D., Mittal, M. (2021). An ensemble approach for classification and prediction of Diabetes Mellitus using Soft Voting Classifier. International Journal of Cognitive Computing in Engineering, 2, 40–46.
[16] Das, U., Srizon, A. Y., Islam, M. A., Tonmoy, D. S., Hasan, M. A. M. (2020). Prognostic biomarkers identification for Diabetes prediction by utilizing Machine Learning classifiers. In 2020 2nd International Conference on Sustainable Technologies for Industry 4.0 (STI), pp 1–6. IEEE.
[17] Muhammad, L., Algehyne, E. A., Usman, S. S. (2020). Predictive Supervised Machine Learning models for Diabetes Mellitus. SN Computer Science, 1(5), 240.
[18] Reddy, D. J., Mounika, B., Sindhu, S., Reddy, T. P., Reddy, N. S., Sri, G. J., Swaraja, K., Meenakshi, K., Kora, P. (2020). Predictive Machine Learning model for early detection and analysis of Diabetes. Materials Today: Proceedings.
[19] Tigga, N. P., Garg, S. (2020). Prediction of Type 2 Diabetes using Machine Learning classification methods. Procedia Computer Science, 167:706–716.
[20] Islam, M. S., Qaraqe, M. K., Abbas, H. T., Erraguntla, M., Abdul-Ghani, M. (2020). The prediction of Diabetes development: A Machine Learning framework. In 2020 IEEE 5th Middle East and Africa Conference on Biomedical Engineering (MECBME), pages 1–6. IEEE.
[21] Mujumdar, A., Vaidehi, V. (2019). Diabetes prediction using Machine Learning algorithms. Procedia Computer Science, 165:292–299.
[22] Rawat, V., Suryakant, S. (2019). A classification system for diabetic patients with MachineLearning techniques. International Journal of Mathematical, Engineering and Management Sciences, 4(3):729–744.
[23] Abed, Mahmood, Ibrıkçı, T. (2019). Comparison between Machine Learning algorithms in the predicting the onset of Diabetes. In 2019 International Artificial Intelligence and Data Processing Symposium (IDAP), pages 1–5. IEEE.
[24] Aada, A., Tiwari, S. (2019). Predicting Diabetes in medical datasets using Machine Learning techniques. Int. J. Sci. Res. Eng. Trends, 5:257–267.
[25] Faruque, M. F., Sarker, I. H. (2019). Performance analysis of Machine Learning techniques to predict Diabetes Mellitus. In 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE), pages 1–4. IEEE.
[26] Kaur, P., Sharma, N., Singh, A., Gill, B. (2018). CI-DPF: A cloud IoT based framework for Diabetes prediction. In 2018 IEEE 9th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON), pp. 654–660. IEEE.
[27] Zou, Q., Qu, K., Tang, H. (2018). Predicting Diabetes Mellitus with Machine Learning techniques. Frontiers in Genetics, page 515.
[28] Wu, H., Yang, S., Huang, Z., He, J., Wang, X. (2018). Type 2 diabetes mellitus prediction model based on data mining. Informatics in Medicine Unlocked, 10:100–107.
[29] Alehegn, M., Joshi, R., Mulay, P. (2018). Analysis and prediction of Diabetes Mellitus using Machine Learning Algorithm. International Journal of Pure and Applied Mathematics, 118(9):871–878.
[30] Rrmoku, K., Selimi B., Ahmedi, L. (2022). Application of Trust in Recommender Systems Utilizing Naive Bayes Classifier. Computation. 10(1):6.
[31] Myśliwiec, P., Kubit, A., Szawara, P. (2024). Optimization of 2024-T3 Aluminum Alloy Friction Stir Welding Using Random Forest, XGBoost, and MLP Machine Learning Techniques. Materials. 17(7):1452.
[32] Chai, B. et al. (2023). Application of KNN and ANN Metamodeling for RTM Filling Process Prediction. Materials. 16(18):6115.
[33] Ciaburro G. (2022). Machine fault detection methods based on machine learning algorithms: A review. Mathematical Biosciences and Engineering. 19(11): 11453-11490.
[34] Zhang, Y., Zhao, W., Sun, B., Zhang, Y., Wen, W.(2022). Point Cloud Upsampling Algorithm: A Systematic Review. Algorithms. 15(4):124.
[35] Taneja, S., Suri, B., Kothari, C. (2019). Application of Balancing Techniques with Ensemble Approach for Credit Card Fraud Detection. International Conference on Computing, Power and Communication Technologies.
[36] Mîrț, A., Reiche, J., Verbesselt, J., Herold, M. (2022). A Downsampling Method Addressing the Modifiable Areal Unit Problem in Remote Sensing. Remote Sensing. 14(21): 5538.
[37] Bhandari, A. (2022). AUC-ROC Curve in Machine Learning clearly explained. In Analytics Vidhya. Analytics Vidhya.
[38] Aljrees T. Improving prediction of cervical cancer using KNN imputer and multi-model ensemble learning. PLoS One. 2024 Jan 3;19(1)
