PREDICCIÓN DE LA DIABETES MEDIANTE TÉCNICAS DE APRENDIZAJE AUTOMÁTICO: UNA REVISIÓN DE SCOPE
DOI:
https://doi.org/10.47820/recima21.v6i8.6727Palabras clave:
Aprendizaje automático, Diabetes, Revisoón de scopeResumen
El uso de técnicas de aprendizaje automático para predecir enfermedades como la diabetes ha cobrado relevancia gracias a su capacidad para identificar patrones en grandes volúmenes de datos médicos y facilitar la toma de decisiones clínicas. La diabetes es una enfermedad crónica que, si no se diagnostica y trata a tiempo, puede provocar complicaciones graves. Por lo tanto, predecir su desarrollo en sus etapas iniciales puede contribuir significativamente a la gestión de la salud y al tratamiento personalizado. En este contexto, este trabajo propone una revisión de alcance que busca responder preguntas sobre cómo aplicar los algoritmos de aprendizaje automático al análisis de datos médicos para predecir la aparición de la enfermedad. A través de esta revisión, observamos un énfasis en la literatura sobre la importancia de la calidad de los datos, la selección de características relevantes y la interpretabilidad de los modelos, factores esenciales para la fiabilidad de las predicciones y su impacto en las decisiones médicas. Además, esta propuesta permitió comparar el rendimiento de diferentes algoritmos, analizando la contribución de cada variable utilizada y destacando los factores más influyentes en la predicción de enfermedades. Por lo tanto, este estudio contribuye no solo al desarrollo de modelos eficaces, sino que también proporciona información que puede mejorar los enfoques predictivos en el ámbito sanitario.
Descargas
Referencias
ABDELHAFEZ, Hoda A.; AMER, Abeer A. Machine Learning techniques for diabetes prediction: A comparative analysis. Journal of Applied Data Sciences, [s. l.], v. 5, ed. 2, p. 792-807, 2024. DOI: https://doi.org/10.47738/jads.v5i2.219
ARKSEY, H.; O'MALLEY, L. Scoping studies: towards a methodological framework. International journal of social research methodology, v. 8, n. 1, p. 19-32, 2005. DOI: https://doi.org/10.1080/1364557032000119616
BHAT, S. S.; BANU, M.; ANSARI, G. A.; SELVAM, V. A risk assessment and prediction framework for diabetes mellitus using machine learning algorithms. Healthcare Analytics, [s. l.], ed. 4, 2023. DOI: https://doi.org/10.1016/j.health.2023.100273
BRASIL DIABETES REPORT. IDF Diabetes Atlas. 10. ed. [S. l.]: International Diabetes Federation (IDF), 2021. Disponível em: https://diabetesatlas.org/data/en/. Acesso em: 14 fev. 2025.
CHOU, C.-Y.; HSU, D.-Y.; CHOU, C.-H. Predicting the onset of diabetes with Machine Learning methods. Journal of personalized medicine, [s. l.], v. 13, n. 3, 2023. DOI: https://doi.org/10.3390/jpm13030406
DIABETES.ORG. Brasil já tem cerca de 20 milhões de pessoas com diabetes. [S. l.]: Sociedade Brasileira de Diabetes, 31 jan. 2025. Disponível em: https://diabetes.org.br/brasil-ja-tem-cerca-de-20-milhoes-de-pessoas-com-diabetes/. Acesso em: 14 fev. 2025.
FEBRIAN, M. E.; FERDINAN, F. X.; SENDANI, G. P.; SURYANIGRUM, K. M.; YUNANDA, R. Diabetes prediction using supervised machine learning. Procedia Computer Science, [s. l.], v. 216, p. 21-30, 2023. DOI: https://doi.org/10.1016/j.procs.2022.12.107
HOSSAIN, E.; ALSHEHRI, M.; ALMAKDI, S.; HALAWANI, H.; RAHMAN, M. M.; RAHMAN, W.; JANNAT, S.; KAYSAR, N; MIA, S. Dm-Health App: Diabetes Diagnosis Using Machine Learning with Smartphone. Computers, Materials & Continua, [s. l.], v. 72, ed. 1, p. 1713-1746, 2022. DOI: https://doi.org/10.32604/cmc.2022.024822
KAHN, C. R.; WEIR, G. C.; KING, G. L.; JACOBSON, A. M.; MOSES, A. C.; SMITH, R. J. Joslin: diabetes melito. 14. ed. Porto Alegre: ArtMed, 2009. E-book. p.346.
KHANAM, J. J.; FOO, S. Y. A comparison of Machine Learning algorithms for diabetes prediction. ICT Express, Coreia do Sul, v. 7, ed. 4, p. 432-439, 2021. DOI: https://doi.org/10.1016/j.icte.2021.02.004
OLISAH, C. C.; SMITH, L.; SMITH, M. Diabetes mellitus prediction and diagnosis from a data preprocessing and machine learning perspective. Computer Methods and Programs in Biomedicine, [s. l.], v. 220, 2022. DOI: https://doi.org/10.1016/j.cmpb.2022.106773
SANTOS, V. S. Comparison and selection of machine learning algorithms for diabetes prediction: An exploratory quantitative study based on medical data analysis. [S. l.]: Seven Editora, 2024. p. 737–765. DOI: https://doi.org/10.56238/sevened2024.007-053
SERRA, H. O.; NASCIMENTO, V. S. Aprendizado de máquina para diagnóstico de diabetes mellitus. 2022. Trabalho de Conclusão de Curso (Curso Superior de Tecnologia em Informática para Negócios) – Faculdade de Tecnologia de São José do Rio Preto, São José do Rio Preto, 2022.
SONI, M.; VARMA, S. Diabetes prediction using Machine Learning techniques. International Journal of Engineering Research & Technology (IJERT), [s. l.], v. 9, ed. 9, p. 921-925, 2020. DOI: https://doi.org/10.2139/ssrn.3642877
SOUZA, M. Diagnóstico precoce da diabetes pode evitar cegueira, amputações e infartos, dizem especialistas. Agência Câmara de Notícias, [S. l.], 19 nov. 2020. Disponível em: https://www.camara.leg.br/noticias/708896-diagnostico-precoce-da-diabetes-pode-evitar-cegueira-amputacoes-e-infartos-dizem-especialistas/?utm_source=chatgpt.com. Acesso em: 14 fev. 2025.
WHO. Diabetes. [S. l.]: World Health Organization, 2024. Disponível em: https://www.who.int/news-room/fact-sheets/detail/diabetes. Acesso em: 16 jan. 2025.
ZHOU, B. et al. Worldwide trends in diabetes prevalence and treatment from 1990 to 2022: a pooled analysis of 1108 population-representative studies with 141 million participants. The Lancet, [s. l.], v. 404, ed. 10467, p. 2077-2093, 2024.
ZOU, Q.; QU, K.; LUO, Y.; YIN, D.; JU, Y.; TANG, H. Predicting diabetes mellitus with Machine Learning techniques. Frontiers in genetics, [s. l.], v. 9, n. 515, 2018. DOI: https://doi.org/10.3389/fgene.2018.00515
Descargas
Publicado
Licencia
Derechos de autor 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
