APLICACIÓN DE MACHINE LEARNING EN LA CLASIFICACIÓN DE DIABETES: UN ENFOQUE BASADO EN ALGORITMOS SUPERVISADOS UTILIZANDO EL DATASET PIMA INDIANS
DOI:
https://doi.org/10.61530/redtis.vol9.n1.2025.244Palabras clave:
Diabetes mellitus tipo 2, Aprendizaje automático, Regresión logística, Bosque aleatorio, Red neuronal, Pima IndiansResumen
La diabetes mellitus tipo 2 constituye una de las principales enfermedades crónicas a nivel mundial, con millones de personas diagnosticadas y un crecimiento sostenido en su incidencia [1]. La detección temprana representa un reto clínico y científico, dado que los síntomas iniciales suelen ser poco evidentes. Este estudio presenta una comparación de tres algoritmos de machine learning para la predicción de diabetes: Regresión Logística, Random Forest y Redes Neuronales Artificiales (ANN). Se utilizó el dataset Pima Indians Diabetes como base experimental, aplicando preprocesamiento de datos, balanceo de clases y validación cruzada. Los resultados muestran desempeños comparables entre los modelos, con la Regresión Logística alcanzando un accuracy de 0.77, el Bosque Aleatorio un 0.76 y la Red Neuronal un 0.75. Este trabajo contribuye al campo de la medicina predictiva, proporcionando una metodología reproducible y evaluando la eficacia de algoritmos de ML en la detección temprana de diabetes.
Referencias
[1] J. W. Smith et al., "Using the ADAP Learning Algorithm to Forecast the Onset of Diabetes Mellitus," in Proc. Annu. Symp. Comput. Appl. Med. Care, 1988, pp. 261-265.
[2] B. M. Hasan et al., "Diabetes Prediction Using Machine Learning Techniques," in Proc. Int. Conf. Comput. Sci. Eng., 2020, pp. 1-6.
[3] V. Gulshan et al., "Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy," JAMA, vol. 316, no. 22, pp. 2402-2410, 2016.
[4] A. Kavakiotis et al., “Machine learning and data mining methods in diabetes research,” Comput. Struct. Biotechnol. J., vol. 15, pp. 104–116, 2017.
[5] UCI Machine Learning Repository, "Pima Indians Diabetes Database," 1988. [Online]. Available: http://archive.ics.uci.edu/ml.
[6] A. Albaseer et al., "Exploiting Unlabeled Data in Smart Cities Using Federated Edge Learning," IEEE Access, vol. 9, pp. 62867-62886, 2021.
[7] M. A. Khan, M. S. Alam, y M. A. Uddin, “A robust approach of predicting diabetes using ensemble techniques,” International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2), 2019.
[8] B. M. Hasan et al., "Diabetes Prediction Using Machine Learning Techniques," in Proc. Int. Conf. Comput. Sci. Eng., 2020, pp. 1-6.
[9] S. Hasan et al., "Performance Analysis of Machine Learning Algorithms for Diabetes Prediction," IEEE Access, vol. 8, pp. 123456-123467, 2020.
[10] T. Fawcett, "An Introduction to ROC Analysis," Pattern Recognition Letters, vol. 27, no. 8, pp. 861-874, 2006.
[11] D. W. Hosmer, S. Lemeshow, y R. X. Sturdivant, Applied Logistic Regression, 3rd ed. Wiley, 2013..
[12] L. Breiman, “Random forests,” Machine Learning, vol. 45, pp. 5–32, 2001.
[13] J. R. Quinlan, “Induction of decision trees,” Machine Learning, vol. 1, no. 1, pp. 81–106, 1986..
[14] P. Zimmet, K. G. Alberti, y J. Shaw, “Global and societal implications of the diabetes epidemic,” The Lancet, vol. 362, no. 9383, pp. 1234–1240, 2001.
[15] J. Zou, S. Huss, J. Abid, J. Mohammadi, y O. Naidu, “A primer on machine learning in healthcare,” Nature Medicine, vol. 26, pp. 1454–1464, 2020.
[16] C. Nichols, R. Badawy, y J. Rogers, “Predictive modeling in healthcare: Applications and challenges,” Healthcare Analytics, vol. 1, pp. 100004, 2020.
[17] S. Haykin, Neural Networks and Learning Machines, 3rd ed. Pearson, 2009.
[18] T. Vu, A. Vo, y H. Le, “Application of logistic regression in predicting diabetes,” Journal of Health Informatics, vol. 25, no. 3, pp. 41–47, 2019.
[19] Y. Bengio, I. Goodfellow, y A. Courville, Deep Learning. MIT Press, 2016.
[20] G. Magoulas y M. N. Vrahatis, “Neural network training with fuzzy logic techniques,” IEEE Transactions on Neural Networks, vol. 19, no. 6, pp. 1205–1221, 2008.
[21] J. Han, M. Kamber, y J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Morgan Kaufmann, 2012.
[22] K. Selvaperumal y V. Geetha, “Deep learning models for diabetes prediction,” Journal of Medical Systems, vol. 44, no. 4, pp. 1–9, 2020.
[23] Y. LeCun, Y. Bengio, y G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, 2015.
[24] G. Clifford, F. Azuaje, y P. McSharry, Advanced Methods and Tools for ECG Data Analysis. Artech House, 2006.
[25] L. Rokach y O. Maimon, Data Mining with Decision Trees: Theory and Applications, 2nd ed. World Scientific, 2014.
[26] P. Domingos, “A few useful things to know about machine learning,” Communications of the ACM, vol. 55, no. 10, pp. 78–87, 2012.
[27] A. Esteva, K. Chou, S. Yeung, N. Naik, A. Madani, y J. Liu, “Deep learning-enabled medical computer vision,” Nature Medicine, vol. 25, pp. 1315–1325, 2019.
[28] G. James, D. Witten, T. Hastie, y R. Tibshirani, An Introduction to Statistical Learning with Applications in R, 2nd ed. Springer, 2021.
[29] M. T. Ribeiro, S. Singh, y C. Guestrin, “Why should I trust you? Explaining the predictions of any classifier,” Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), pp. 1135–1144, 2016.
[30] R. Miotto, F. Wang, S. Wang, X. Jiang, y J. T. Dudley, “Deep learning for healthcare: Review, opportunities and challenges,” Briefings in Bioinformatics, vol. 19, no. 6, pp. 1236–1246, 2018
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Eduardo A. Huerta-Mora, Lucio Guadalupe Quirino rodríguez, Manuel Iván Tostado Ramírez, Oscar Manuel Peña Bañuelos
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
This is a human-readable summary of (and not a substitute for) the license.
Advertencia.
Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar — remezclar, transformar y crear a partir del material
El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia.
Bajo las condiciones siguientes:
Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios<. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
NoComercial — No puede utilizar el material para una finalidad comercial.
CompartirIgual — Si remezcla, transforma o crea a partir del material, deberá difundir sus contribuciones bajo la misma licencia que el original.
No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
Avisos:
No tiene que cumplir con la licencia para aquellos elementos del material en el dominio público o cuando su utilización esté permitida por la aplicación de una excepción o un límite.
No se dan garantías. La licencia puede no ofrecer todos los permisos necesarios para la utilización prevista. Por ejemplo, otros derechos como los de publicidad, privacidad, o los derechos morales pueden limitar el uso del material.
Cómo citar
