Un enfoque de Machine Learning y razonamiento probabi-lístico en el pronóstico de factores de riesgo de la diabetes
DOI:
https://doi.org/10.46480/esj.4.1.95Palabras clave:
Diabetes, Machine Learning, Razonamiento Probabilístico, Regresión LogísticaResumen
Este trabajo investigativo propone el diseño de un modelo computacional de clasificación a través del uso de técnicas de Machine Learning, hemos optado por trabajar con el aprendizaje automático apoyado en un modelo probabilístico que permi-ta evaluar los factores de riesgo de la enfermedad de la diabetes tipo 2. Este modelo está basado en el método de regresión logística, que según a los factores de riesgo de la enfermedad, mostrará como resultado el porcentaje que tiene el paciente de contraer la misma. Se aplicó la metodología de investigación bibliográfica que aporte con el conocimiento necesario para la realización de este proyecto en el cual se realizaron pruebas para verificar el comportamiento de cada una de las variables utilizadas en el modelo probabilístico, el cual brindará resultados eficientes y en un corto periodo de tiempo siendo así una herramienta de apoyo en la toma de decisiones a los expertos y aportando con el diagnóstico oportuno para prevenir la enfermedad.
Descargas
Referencias
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.
Publicado
Número
Sección
Licencia
Los autores conservan los derechos sobre sus artículos y, por tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente su obra en sus sitios web personales o en repositorios institucionales, después de su publicación en esta revista, siempre que se proporcione la referencia bibliográfica que acredite su publicación original.
Cómo citar
