A Machine Learning approach and probabilistic reasoning in the prog-nosis of risk factors for diabetes

Authors

  • Jonathan P. Cárdenas-Ruperti Universidad Técnica “Luis Vargas Torres” de Esmeraldas
  • Francisco S. Durán-Pérez Consultor Independiente
  • Luis A. Padilla-Álvarez Universidad Técnica “Luis Vargas Torres” de Esmeraldas

DOI:

https://doi.org/10.46480/esj.4.1.95

Keywords:

Diabetes, Machine Learning, Probabilistic Reasoning, Logistic Regression

Abstract

This research work proposes the design of a classification computational model through the use of Machine Learning techniques, we have chosen to work with machine learning supported by a probabilistic model that allows evaluating the risk factors of type 2 diabetes disease This model is based on the logistic regression method, which, according to the risk factors of the disease, will show as a result the percentage that the patient has of contracting it. The bibliographic research methodology was applied that provides the necessary knowledge to carry out this project in which tests were carried out to verify the behavior of each of the variables used in the probabilistic model, which will provide efficient results in a short time the period thus being a tool to support experts in decision-making and providing the appropriate diagnosis to prevent the disease.

Downloads

Download data is not yet available.

References

Mellitus, D. (2005). Diagnosis and classification of diabetes mellitus. Diabetes care, 28(S37), S5-S10.

Baranwal, A., Bagwe, B. R., & Vanitha, M. (2020). Machine Learning in Python: Diabetes Prediction Using Machine Learning. In Handbook of Research on Applications and Implementations of Machine Learning Techniques (pp. 128-154). IGI Global.

López Fernández, R., Yanes Seijo, R., Suárez Surí, P., Avello Martínez, R., Gutiérrez Escobar, M., & Alvarado Flores, R. (2016). Modelo estadístico predictivo para el padecimiento de pie diabético en pacientes con diabetes mellitus tipo II. Medisur, 14(1), 42-52.

Cordero, L. C. A., Vásquez, M. A., Cordero, G., Álvarez, R., Añez, R. J., Rojas, J., & Bermúdez, V. (2017). Prevalencia de la diabetes mellitus tipo 2 y sus factores de riesgo en individuos adultos de la ciudad de Cuenca-Ecuador. Avances en biomedicina, 6(1), 10-21.

Rivas-Acuña, V., García-Barjau, H., Cruz-León, A., Morales-Ramón, F., Enríquez-Martínez, R. M., & Román-Alvarez, J. (2011). Prevalencia de ansiedad y depresión en las personas con diabetes mellitus tipo 2. Salud en Tabasco, 17(1-2), 30-35.

Domínguez Alonso, E., & Aldana Padilla, D. (2001). Regresión logística: Un ejemplo de su uso en Endocrinología. Revista Cubana de Endocrinología, 12(1), 0-0.

De Mitri, M. J. (2019). Predicción de marcadores cardíacos en pacientes diabéticos e hipertensos medicados por medio de inteligencia artificial (Doctoral dissertation, Universidad Católica de Córdoba).

Alonso Castrillejo, S. (2020). Aplicación de algoritmos de machine learning en la prediccion de la diabetes mellitus tipo II.

Aguirre Ascona, Y. D. (2019). Métodos de aprendizaje supervisado para la predicción de diabetes: una revisión sistemática de la literatura.

Granados, R. M. (2016). Modelos de regresión lineal múltiple. Granada, España: Departamento de Economía Aplicada, Universidad de Granada.

Abreu, M. N. S., Siqueira, A. L., & Caiaffa, W. T. (2009). Regresión logística ordinal en estudios epidemiológicos. Revista de Saúde Pública, 43(1), 183-194.

Cevallos-Torres, L., & Botto-Tobar, M. (2019). Case study: Project-based learning to evaluate probability distributions in medical area. In Problem-Based Learning: A Didactic Strategy in the Teaching of System Simulation (pp. 111-122). Springer, Cham.

Published

2020-03-31

Issue

Section

Research Paper

How to Cite

[1]
J. P. Cárdenas-Ruperti, F. S. Durán-Pérez, and L. A. Padilla-Álvarez, “A Machine Learning approach and probabilistic reasoning in the prog-nosis of risk factors for diabetes”, Ecuad. Sci. J, vol. 4, no. 1, pp. 62–67, Mar. 2020, doi: 10.46480/esj.4.1.95.