Aprendizaje automático para el diagnóstico de diabetes: una exploración de biomarcadores no glucémicos
La prediabetes y la diabetes tipo 2 son patologías muy prevalentes en todo el mundo que causan graves complicaciones de salud y sufren de un gran infradiagnóstico. Para solventarlo, este trabajo ha propuesto el uso de técnicas de aprendizaje automático para predecir el diagnóstico de diabetes y pred...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/152330 |
| Acceso en línea: | https://hdl.handle.net/10609/152330 |
| Access Level: | acceso abierto |
| Palabra clave: | aprendizaje automático machine learning inteligencia artificial bioinformática diagnóstico diabetes prediabetes Bioinformatics -- TFM Bioinformàtica -- TFM |
| Sumario: | La prediabetes y la diabetes tipo 2 son patologías muy prevalentes en todo el mundo que causan graves complicaciones de salud y sufren de un gran infradiagnóstico. Para solventarlo, este trabajo ha propuesto el uso de técnicas de aprendizaje automático para predecir el diagnóstico de diabetes y prediabetes con biomarcadores no glucémicos que pueden extraerse de analíticas de sangre rutinarias. Respecto al aprendizaje automático, se han seleccionado los atributos más importantes mediante eliminación recursiva de atributos, se ha empleado SMOTE para equilibrar las clases, se han utilizado varias técnicas de clasificación (incluyendo SVM, modelos de bagging y gradient boosting y redes neuronales), y se han optimizado los hiperparámetros con optimización bayesiana. Además, se ha estimado la importancia de los atributos en el mejor modelo, utilizando técnicas como los valores de Shapley y la importancia por permutación. El modelo con mayor capacidad predictiva ha sido XGBoost con SMOTE, que ha obtenido 0.792 de F1, reflejando la viabilidad de predecir el diagnóstico de diabetes y prediabetes con biomarcadores no glucémicos. Atendiendo a los atributos más relevantes, se propone el colesterol, el LDL y los triglicéridos como biomarcadores para guiar futuras investigaciones del diagnóstico de diabetes y prediabetes. Asimismo, se ha desarrollado una aplicación web que implementa el mejor modelo predictivo, facilitando su uso en la práctica clínica. Esta herramienta permite la automatización del análisis de nuevas analíticas de sangre, lo que podría mejorar la detección precoz y contribuir a reducir el infradiagnóstico de la diabetes y la prediabetes. |
|---|