Clasificación de Señales de Glucemia para la Detección de Diabetes Mellitus Tipo 2 mediante el Uso de Algoritmos de Aprendizaje Automático
DOI:
https://doi.org/10.70567/mc.v42.ocsid8243Palavras-chave:
amplitud, ángulo de zenit, factor de forma, diferenciación de señalesResumo
Este estudio propone un nuevo enfoque para la detección temprana de diabetes mellitus tipo 2 mediante el análisis automatizado de señales fisiológicas. El método desarrollado se basa en la construcción de un espacio de características geométricas generado a partir de parámetros extraídos de señales de pacientes, y la aplicación posterior de algoritmos de aprendizaje automático sobre dicho espacio. Los resultados experimentales demuestran una elevada eficacia diagnóstica, con valores de F1-score que alcanzan 1.000 en las mejores configuraciones, respaldados por métricas complementarias de sensibilidad (en el rango [0.960–1.000]), especificidad (igual o superior a 0.984) y precisión balanceada (igual o mayor a 0.983). Estos resultados confirman que la técnica propuesta ofrece un sistema novedoso a la vez que computacionalmente eficiente para la identificación de patrones asociados a la diabetes mellitus tipo 2.
Referências
Abhari S., Hassanzadeh H., y Jalili S. Artificial intelligence applications in type 2 diabetes mellitus care: Focus on machine learning methods. Frontiers in Artificial Intelligence, 6:1123450, 2023. https://doi.org/10.3389/frai.2023.1123450.
American Diabetes Association. Standards of medical care in diabetes. 2023. Consultado en julio 2023.
Carrell A.M., Mallinar N., Lucas J., y Nakkiran P. The calibration generalization gap. arXiv preprint arXiv:2210.01964, 2022.
García Blesa M., Vorobioff J., y Legnani W. An innovative method to distinguish chaos from noise in the time domain. International Journal of Applied and Computational Mathematics, 11:161, 2025. https://doi.org/10.1007/s40819-025-01991-x. Published 04 August 2025.
Genuth S.M., Palmer J.P., y Nathan D.M. Classification and diagnosis of diabetes. 2018.
Géron A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly Media, Inc.", 2022.
Herman W.H., Ye W., Griffin S.J., Simmons R.K., Davies M.J., Khunti K., Rutten G.E., Sandbaek A., Lauritzen T., Borch-Johnsen K., et al. Early detection and treatment of type 2 diabetes reduce cardiovascular morbidity and mortality: a simulation of the results of the anglo-danish-dutch study of intensive treatment in people with screen-detected diabetes in primary care (addition-europe). Diabetes care, 38(8):1449–1455, 2015.
James G., Witten D., Hastie T., y Tibshirani R. An Introduction to Statistical Learning with Applications in R. Springer Texts in Statistics. Springer, New York, 2nd edición, 2021.
Kodama S., Fujihara K., Horikawa C., Ishiguro H., Yachi Y., Saito K., Shimano H., y Sone H. Predictive ability of current machine learning algorithms for type 2 diabetes mellitus: A meta-analysis. Diabetologia, 65(3):526–538, 2022. https://doi.org/10.1007/s00125-021-05614-1.
Murphy K.P. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
Rodriguez de Castro C., Vigil L., Vargas B., Garcia Delgado E., Garcia Carretero R., Ruiz-Galiana J., y Varela M. Glucose time series complexity as a predictor of type 2 diabetes. Diabetes/metabolism research and reviews, 33(2):e2831, 2017.
Zihlmann M., Perekrestenko D., y Tschannen M. Convolutional recurrent neural networks for electrocardiogram classification. En 2017 Computing in Cardiology (CinC), páginas 1–4. 2017. https://doi.org/10.22489/CinC.2017.070-060.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Associação Argentina de Mecânica Computacional
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Esta publicação é de acesso aberto diamante, sem custos para autores ou leitores.
Somente os artigos que foram aceitos para publicação e apresentados no congresso da AMCA serão publicados.
