Desarrollo de una aplicación para el diagnóstico de diabetes tipo 2 utilizando aprendizaje máquina

La diabetes es una enfermedad crónica de larga duración que representa un desafío significativo para la salud pública a nivel mundial. La Asociación Americana de Diabetes (ADA) la clasifica como un problema creciente debido a su asociación con complicaciones graves, que afectan la calidad y esperanza de vida de los pacientes. En 2022, se estimó que 463 millones de personas padecían diabetes tipo 2, una cifra alarmante que subraya la urgencia de implementar estrategias innovadoras para su manejo y diagnóstico. Esta enfermedad aumenta considerablemente el riesgo de complicaciones crónicas, como enfermedades cardiovasculares, accidentes cerebrovasculares, ceguera y amputaciones, lo que genera un impacto negativo en la salud y calidad de vida de las personas. En este contexto, el aprendizaje automático se presenta como una herramienta poderosa en el diagnóstico de enfermedades. Diversos estudios han demostrado su eficacia no solo en la detección de diabetes, sino también en enfermedades cardiovasculares, cáncer de mama y Covid-19, entre otras. Este trabajo se enfoca en el desarrollo de una aplicación web para el diagnóstico de diabetes tipo 2 mediante el uso de aprendizaje automático, guiado por la metodología CRISP-DM para la creación y evaluación de modelos de clasificación. El desarrollo de la aplicación web se realizó siguiendo las prácticas de la metodología XP. Los datos utilizados provienen de 961 observaciones de pacientes atendidos en la Clínica de Salud y Bienestar Postural, Quito - Ecuador, entre julio y diciembre de 2023, en un rango de edad de 30 a 60 años. De los modelos evaluados, Random Forest destacó como el más preciso, alcanzando un 99.46% de accuracy y un AUC(Área bajo la curva) de 99.98%. El principal aporte de esta investigación es proporcionar una herramienta basada en inteligencia artificial que facilite a médicos y pacientes el diagnóstico temprano de la diabetes tipo 2. Esta solución no solo reduce los costos asociados al diagnóstico, sino que mejora su accesibilidad y brindan apoyo específicamente a quienes residen en zonas rurales.

• Autor principal: Cisneros Vaca, Segundo Ruperto (author)
• Format: masterThesis
• Publicat: 2025
• Matèries: APRENDIZAJE MAQUINA; ALGORITMOS DE APRENDIZAJE SUPERVISADO; RANDOM FOREST; DIAGNOSTICO DE DIABETES TIPO 2
• Accés en línia: http://repositorio.utmachala.edu.ec/handle/48000/24429