e-ISSN: 1390-5902

CEDAMAZ, Vol. 13, No. 1, pp. 114–121, Enero-Junio 2023

DOI: 10.54753/cedamaz.v13i1.1804

Estudio de algoritmos de inteligencia artiﬁcial más utilizados para el

diagnóstico de diabetes mellitus tipo 2

Study of artiﬁcial intelligence algorithms most used for the diagnosis of type 2

diabetes mellitus

Gabriela Cuenca-Andrade

, René Guamán-Quinche

, Francisco Álvarez-Pineda

, Wilman

Chamba-Zaragocin

y José Guamán-Quinche

1,*

Carrera de Ingeniería en Sistemas, Universidad Nacional de Loja, Loja, Ecuador

Autor para correspondencia: jose.o.guaman@unl.edu.ec

Fecha de recepción del manuscrito: 01/03/2023 Fecha de aceptación del manuscrito: 06/04/2023 Fecha de publicación: 30/06/2023

Resumen—La diabetes es la segunda causa de muerte a nivel mundial sobre todo en países de bajos recursos. En el Ecuador uno de

cada diez personas es diagnosticado con diabetes mellitus tipo 2, esto es debido a factores de riesgo como: antecedentes familiares con

diabetes, medicación, sedentarismo o mala alimentación. Por lo tanto, es indispensable hacer una Revisión Sistemática de Literatura sobre

el estado del uso de técnicas o algorítmos de Inteligencia Artiﬁcial para el diagnóstico de diabetes mellitus tipo 2; con este ﬁn de responder

la pregunta: ¿Cuáles son las técnicas de inteligencia artiﬁcial aplicadas al diagnóstico de diabetes mellitus tipo 2?

Palabras clave—Diabetes tipo 2, Técnicas de inteligencia artiﬁcial, Predicción de diabetes

Abstract—Diabetes is the second leading cause of death worldwide, especially in low-income countries. In Ecuador, one in ten people

is diagnosed with type 2 diabetes mellitus, this is due to risk factors such as: family history of diabetes, medication, sedentary lifestyle or

poor diet. Therefore, it is essential to carry out a Systematic Literature Review on the state of the use of Artiﬁcial Intelligence techniques

for the diagnosis of type 2 diabetes mellitus; in order to answer the question: What are the artiﬁcial intelligence techniques applied to the

diagnosis of type 2 diabetes mellitus?

Keywords—Type 2 diabetes, Artiﬁcial intelligence techniques, Diabetes prediction

INTRODUCCIÓN

egún la OMS (Organización mundial de la salud) la dia-

betes es “una enfermedad crónica que aparece cuan-

do el páncreas no produce insulina suﬁciente o cuando el

organismo no utiliza eﬁcazmente la insulina que produce”

(S. OMS, 2020), siendo una de las patologías metabólicas

con más prevalencia en el mundo aumentando con mayor ra-

pidez en países de ingresos bajos o medios (Organizacion

Mundial de la Salud, Informe Mundial Sobre la diabetes,

2016). En 2015, el Atlas de la Diabetes de la Federación In-

ternacional de Diabetes (FID) estima que uno de cada once

adultos tiene diabetes representado por una población de 415

millones de personas entre las edades de 20 y 79 años; ade-

más estima que en el año 2040 unos 642 millones de perso-

nas, entre uno de diez adultos tendrá diabetes (International

Diabetes Federation y Séptima, 2015). De acuerdo a Harri-

son (Sataloff et al., 2015), la clasiﬁcación de la diabetes se

contempla en cuatro grupos: (i) Diabetes tipo 1 (DMT1) que

se caracteriza por la destrucción de las células betas provo-

cando una deﬁciencia absoluta de insulina, (ii) Diabetes tipo

2 (DMT2) se presenta en personas con grados variables de

insulina o deﬁciencia de ella que puede ser o no predomi-

nante, (iii) Diabetes gestacional (DMG) que se caracteriza

por la alteración del metabolismo de los hidratos de carbono

en el primer trimestre de embarazo y (iv) otros tipos de dia-

betes que se caracteriza por defectos genéticos, inducida por

drogas o químicos o por factores inmunológicos.

En Ecuador, la diabetes afecta a la población con las tasas

cada vez más elevadas, siendo la segunda causa de muerte

en el país, según la encuesta ENSANUT 2017, la prevalen-

cia de diabetes en la población de 10 a 59 años es de 1.7%,

esa proporción va subiendo a partir de los 30 a 50 años de

edad, donde uno de cada diez ecuatorianos ya tiene diabetes,

lo que a menudo es por consecuencia del estilo de vida que

lleva la población (INEC, 2017). Según la revista A.L.A.D.

(2019) en el Ecuador el número de casos que padecía diabe-

tes mellitus tipo 2 es 554.500 personas entre una población

de 20 y 79 años. Además el diagnóstico de la DMT2 siem-

pre ha presentado inconvenientes en sus resultados, debido a

la falta de precisión de los exámenes de laboratorio y la co-

nexión del cuestionario Findrisk (Bello, 2016), relacionado

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0. 114

ESTUDIO DE ALGORITMOS DE INTELIGENCIA ARTIFICIAL CUENCA-ANDRADE et al.

al estilo de vida del paciente (Toro et al., 2020), a esto tam-

bién se suma el análisis de los estudios epidemiológicos don-

de se identiﬁca tres retos a resolver: el número creciente de

casos en riesgo, un porcentaje alto de casos no diagnostica-

dos y la efectividad del tratamiento aplicado es insuﬁciente

(A.L.A.D., 2019). Algunas deﬁniciones importantes vemos

en anexo 3.

TRABAJOS RELACIONADOS Y MÉTODOS

Según (Shetty y Katkar, 2019a), (Chen et al., 2017), pro-

pusieron un modelo que ayuda a los médicos a detectar la

enfermedad en etapas tempranas, lo que ayuda a reducir la

probabilidad de contraer la diabetes de tipo 2 (Diabetes de

Inicio Adulto). El modelo propuesto se construye sobre un

conjunto de datos de tiempo real y tres tipos diferentes de al-

goritmos de árboles de decisión como Simple Cart, J48 y NB

Tree, utilizando la herramienta WEKA para el entrenamien-

to.

En los estudios (V. Kumari et al., 2013), (M. Kumari et

al., 2014), (Kadhm et al., 2018), (Sampieri et al., 1997), pro-

ponen distintos algoritmos de inteligencia artiﬁcial para la

predicción/diagnóstico de diabetes tales como SVM, Clasi-

ﬁcación Bayesiana, Naive Bayes y KNN (D. Barrios y In-

fantes, 2018), (Benítez et al., 2013) con base en el análisis

de algunas variables tales como número de embarazos, pre-

sión arterial diastólica, espesor cutáneo del tríceps, índice de

masa corporal, herencia y edad manteniendo la misma pro-

porción entre individuos diabéticos y no diabéticos. Dicho

estudio identiﬁca a la diabetes como una enfermedad crónica

de mayor riesgo en la salud mundial.

Sin embargo (Sampieri et al., 1997), también realizó un

enfoque de clasiﬁcación basado en el Árboles de Decisión

(Rodríguez, 2017), (Lantz, 2019) para asignar a cada mues-

tra de datos una clase apropiada, es decir realiza una clasiﬁ-

cación para la predicción, dicho estudio utilizo como herra-

mienta de software a Matlab.

En otros estudios se han usado la regresión logística (Be-

nítez et al., 2013), máquinas de soporte vectorial (Rodríguez,

2017), (Lantz, 2019), k-menas (Freddy y Viera, 2015), (Ram

y Christian, 2016), redes neuronales (D. Barrios y Infan-

tes, 2018), (Wang, 2013), redes bayesianas (Verónica et al.,

2015), (Mosquera et al., 2018) y en si otras técnicas de in-

teligencia artiﬁcial para predicción y diagnostico (Kopitar et

al., 2019), (O. Barrios et al., 2017a).

MATERIALES Y MÉTODOS

El objetivo principal planteado es de realizar una revisión

sistemática en la aplicación de técnicas o algoritmos de in-

teligencia artiﬁcial para el diagnóstico de diabetes mellitus

tipo 2, y, se plantea la siguiente pregunta de investigación:

¿Cuáles son las técnicas de Inteligencia Artiﬁcial aplicadas

al diagnóstico de diabetes mellitus tipo 2? Para alcanzar el

objetivo general, se siguió el protocolo deﬁnido por Barba-

ra Kitchenham (Barbara, 2007) (Petticrew y Roberts, 2008),

se usó la investigación bibliográﬁca (Kitchenham, 2004) ,

aunque existen otras técnicas como bola de nieve (Bocco et

al., 2014), (Baltar y Gorjup, 2014), además se debe tener en

cuenta las amenazas que puedan existir en las RSL (Carrizo

y Moller, 2018), (Bocco et al., 2014), (G, 2005).

A. Formulación de preguntas de investigación

Para establecer las preguntas de investigación en la RSL,

se realizó una búsqueda explotaría que consistió en analizar

cuatro artículos seleccionados al azar para analizar los pro-

blemas que se presentan al diagnosticar diabetes tipo 2, las

soluciones propuestas por los autores y algunas palabras cla-

ves. Para ﬁnalizar se planteó 3 preguntas del mapeo sistemá-

tico (MQ) y 3 preguntas de la revisión sistemática (RQ):

Preguntas del Mapeo Sistemático (MQ)

MQ1: ¿Cuántos estudios se publicaron en los últimos

cinco años en el área de inteligencia artiﬁcial aplicada a

la detección de la diabetes mellitus tipo 2?.

MQ2: ¿En qué publicaciones se han encontrado estu-

dios relacionados con el tema?.

MQ3: ¿Quiénes son los autores más relevantes y activos

en esta área? Artículos más citados.

Preguntas de la Revisión Sistemático (RQ)

RQ1: ¿Cuáles son las técnicas o algoritmos de

inteligencia artiﬁcial signiﬁcativos para la predic-

ción/diagnóstico de la diabetes mellitus tipo 2?.

RQ2: ¿Cuáles son las variables que se tomaron en cuen-

ta para la predicción diagnóstico de la diabetes mellitus

tipo 2 en los resultados?.

RQ3: ¿Qué herramientas de software se han aplicado

para la predicción/diagnóstico de la diabetes mellitus ti-

po 2 en los estudios?.

B. Estrategia de búsqueda

Se determinó los términos base aplicando el método PI-

COC propuesto por (Libed et al., 2020) para deﬁnir el ám-

bito de la RSL y se usa para deﬁnir el ámbito de la revisión

sistemática (Bocco et al., 2014), (G, 2005) Sus componen-

tes son la población, intervención, comparación, resultados y

contextos. Este método permitió deﬁnir las expresiones que

compusieron la cadena de búsqueda. Los términos clasiﬁca-

dos se detallan en la siguiente lista:

Población (P): “Type 2 Diabetes Mellitus”.

Intervención (I): “Intelligence artiﬁcial”.

Comparación (C): No aplica.

Resultados (O): ”Algorithms” OR “Classiﬁcation” OR

“Methods” OR “Predictive modeling” OR “Techni-

ques”.

Contexto (C): “Intelligence artiﬁcial”.

Para completar los términos identiﬁcados en PICOC se uti-

lizó las palabras claves detalladas en la Tabla 1. Además, a

través del 2020 IEEE Thesaurus se obtuvieron las sinonimias

de cada término para la construcción ﬁnal de la cadena de

búsqueda.

El conjunto de términos ﬁnales se detalla en la Tabla 2.

115

e-ISSN: 1390-5902

CEDAMAZ, Vol. 13, No. 1, pp. 114–121, Enero-Junio 2023

DOI: 10.54753/cedamaz.v13i1.1804

Tabla 1: Deﬁnición de palabras claves

Título

Palabras

claves candidatas

An Accurate Diabetes

Prediction System Based

on K-means Clustering

and Proposed Classiﬁcation

Approach.

(Sampieri et al., 1997).

Classiﬁcation,

Algorithms.

Prediction of Diabetes

Using Bayesian Network

(Kadhm et al., 2018)

Technique, Algorithms,

Machine learning,

Classiﬁcation.

Type II Diabetes

Analysis using Naïve

Bayesian Classiﬁcation

Algorithm

(Vidhya y Shanmugalakshmi, 2020a)

Type II Diabetes,

Machine learning,

Algorithms, Prediction.

Deep learning based

big medical data analytic

model for diabetes

complication prediction

(Brereton et al., 2007)

Deep Learning,

Diagnostic diabetes,

Neural Networks.

Tabla 2: Conjunto de términos

Palabra

clave

Sinónimos Relación

Algorithms.

Classiﬁcation,

Methods,

Techniques,

Predictive

Modeling

Resultados.

Artiﬁcial

Intelligence

Automated detection,

Deep learning,

Machine learning,

Neural networks

Predictive analysis

Intervención.

Type 2

diabetes mellitus

Diagnostic Type II,

Diabetes,

Prediction Type-2

diabetes

Type-II Diabetes

Población.

C. Criterios de inclusión y exclusión

En la búsqueda de artículos se seleccionó aquellos que

cumplan los criterios de inclusión y se desechará aquellos

que cumplan por lo menos uno de los criterios de exclusión,

los mismos que se presentan a continuación.

Criterios de inclusión

IC1. Artículos provenientes de librerías digitales y fuen-

tes indexadas.

IC2. Artículos que contengan estudios de técnicas de in-

teligencia artiﬁcial para el diagnóstico y predicción o re-

sultados de análisis comparativos de los algoritmos para

el diagnóstico de diabetes mellitus tipo 2.

IC3. Los artículos que contengan el área de inteligencia

artiﬁcial y relacionados.

IC4. Artículos que hayan sido publicado desde el año

2016 al 2021.

IC5. Artículos que hayan sido publicados en revistas

cientíﬁcas y conferencias.

IC6. Los artículos que se hayan publicado en el idioma

inglés y español.

Criterios de exclusión

EC1. Artículos duplicados serán excluidos.

EC2. Artículos que no estén escritos en el idioma inglés.

EC3. Artículos que hayan sido publicados antes del

2016.

EC4. Se excluyen artículos donde el contenido sea simi-

lar a otros estudios quedando solo estudios de contenido

más completo.

EC5. Se excluyen capítulos de libro, libros, artículos

técnicos y resúmenes.

EC6. Se excluyen artículos cuyo título no tenga relación

con el objeto de estudio.

EC7: Todos los artículos que no pertenecen al área de

Ciencias y Computación.

D. Deﬁnición de fuentes Bibliográﬁcas o utilizar

Para que la selección de artículos sea de calidad y de rigor,

las búsquedas de artículos se realizaron en bases de datos

cientíﬁca en función a su relevancia y al acceso. Por ello, las

bases de datos seleccionados se detallan a continuación:

ACM Digital Library.

IEEE Digital Library.

Science@Direct.

Scopus.

E. Preguntas de calidad

Las siguientes preguntas se establecieron para evaluar la

calidad de los artículos preseleccionados:

QA1: ¿El autor realiza un análisis comparativo entre di-

versas técnicas de inteligencia artiﬁcial para la predic-

ción/diagnóstico de diabetes mellitus tipo 2?.

QA2: ¿En los estudios se menciona alguna herramienta

de software utilizada para la predicción/diagnóstico de

diabetes mellitus tipo 2?.

QA3: ¿En los estudios utilizan conjunto de datos para la

predicción/diagnóstico de diabetes mellitus tipo 2?.

Para ﬁnalizar, se determinaron los parámetros de puntua-

ción para deﬁnir qué artículos serán seleccionados y recha-

zados. Los parámetros se detallan a continuación:

Si la respuesta es Si su puntuación será de 1,0.

Si la respuesta es Parcialmente su puntuación será de

0,5.

Si la respuesta es No su puntuación será de 0,0.

116

ESTUDIO DE ALGORITMOS DE INTELIGENCIA ARTIFICIAL CUENCA-ANDRADE et al.

F. Cadenas de búsqueda

Para la creación de las cadenas de búsqueda, se consi-

deró sinónimos de palabras claves, mediante el Thesaurus

de IEEE, de igual manera se utilizó los operadores lógicos

“OR/AND”, con la ﬁnalidad de potenciar la búsqueda. To-

mando en cuenta los estudios como: artículos de revistas y

conferencias. La cadena de búsqueda se la deﬁnió de la si-

guiente manera:

(’Type 2 Diabetes Mellitus’ OR ’Diagnostic Type II Dia-

betes’ OR ’Type-II Diabetes’) AND (’Intelligence artiﬁcial’

OR ’machine learning’ OR ’Neural Networks’) AND (’Al-

gorithms’ OR ’Methods’ OR ’Techniques’)

ACM Digital Library: [[All: "type 2 diabetes mellitus"]

OR [All: "diagnostic type ii diabetes"] OR [All: "pre-

diction type-2 diabetes"] OR [All: "type-ii diabetes"]]

AND [[All: .

rtiﬁcial intelligence"] OR [All: .

utomated

detection"] OR [All: "deep learning"] OR [All: "ma-

chine learning"] OR [All: "neural networks."] OR [All:

"predictive analysis"]] AND [[All: .

lgorithms"] OR

[All:çlassiﬁcation"] OR [All: "methods"] OR [All: "pre-

dictive modeling"] OR [All: "techniques"]] AND [Pu-

blication Date: (01/02/2016 TO 01/02/2021)].

IEEE Digital Library: ((’Type 2 Diabetes Mellitus’ OR

’Diagnostic Type II Diabetes’ OR ’Prediction Type-2

diabetes’ OR ’Type-II Diabetes’) AND (’artiﬁcial in-

telligence’ OR ’automated detection’ OR ’Deep Lear-

ning’ OR ’machine learning’ OR ’Neural Networks’

OR ’Predictive Analysis’) AND (’Algorithms’ OR

’Classiﬁcation’ OR ’Methods’ OR ’Predictive mode-

ling’ OR ’Techniques’)).

Cadena en Scopus: (TITLE-ABS-KEY((’Type 2 Dia-

betes Mellitus’ OR ’Diagnostic Type II Diabetes’ OR

’Prediction Type-2 diabetes’ OR ’Type-II Diabetes’))

AND TITLE-ABS-KEY ((’Artiﬁcial intelligence’ OR

’automated detection’ OR ’Deep Learning’ OR ’ma-

chine learning’ OR ’Neural Networks’ OR ’Predicti-

ve Analysis’)) AND TITLE-ABS-KEY ((’Algorithms’

OR ’Classiﬁcation’ OR ’Methods’ OR ’Predictive mo-

deling’ OR ’Techniques’))) AND (LIMIT-TO (LAN-

GUAGE , ’English’)) AND (LIMIT-TO (PUBYEAR ,

2021 ) OR LIMIT-TO (PUBYEAR, 2020) OR LIMIT-

TO (PUBYEAR, 2019 ) OR LIMIT-TO ( PUBYEAR ,

2018) OR LIMIT-TO (PUBYEAR , 2017) OR LIMIT-

TO (PUBYEAR , 2016 ) ) AND ( LIMIT-TO ( SUBJA-

REA , ’COMP’ ) ) .

Cadena en Science@Direct: (’Type 2 Diabetes Melli-

tus’ OR ’Diagnostic Type II Diabetes’ OR ’Type-II Dia-

betes’) AND (’artiﬁcial intelligence’ OR ’machine lear-

ning’ OR ’Neural Networks’) AND (’Algorithms’ OR

’Methods ’ OR ’Techniques’) .

RESULTADOS

Los resultados para la selección de estudios se detallan en

los siguientes pasos:

Se procedió a realizar la ejecución de las cadenas de

búsqueda en cada base de datos seleccionadas de los

cuales dio como resultado 224 artículos (datos.bib).

Se identiﬁcaron y eliminaron 23 artículos que estaban

duplicados.

Se procedió a analizar 201 artículos, de cada artículo se

leyó los resúmenes, palabras claves y las conclusiones

quedando un total de 47 artículos.

Por último, se aplicó las preguntas de calidad quedando

como resultado 35 artículos seleccionados, de los cuales

se extrajo la información necesaria para responder las

preguntas de investigación. Ver: enlace.

RQ1: ¿Cuáles son las técnicas de inteligencia arti-

ﬁcial o algoritmos signiﬁcativos para el diagnósti-

co/predicción de la diabetes mellitus tipo 2?

Se identiﬁcaron 154 técnicas o algoritmos de inteligencia

artiﬁcial para la predicción/diagnóstico de la Diabetes Melli-

tus Tipo 2. Al encontrar una cantidad muy extensa de técni-

cas o algoritmos, se lista las 8 técnicas/algoritmos más uti-

lizadas por los autores en sus experimentaciones o casos de

estudio, como se ilustra en la Figura 1. Además, en la tabla

3 se detalla cada técnica con el número de artículos y el por-

centaje que hacen mención de ellas.

Tabla 3: Técnicas o algoritmos más utilizados

Técnica

Nro

artículos

Porcentaje

Artiﬁcial Neuronal

Network (ANN).

17 11.04%.

Random Forest

(RF).

13 8.44%.

Support Vector

Machine (SVM).

13 8.44%.

Decision Tree

(DT).

12 7.79%.

K-nearest

neighbor (KNN).

11 7.14%.

Logistic Regression

(LR).

10 6.49%.

K-means. 6 3.90%.

Adaboost. 5 3.25%.

El algoritmo ANN, en el estudio (Patil et al., 2020) el au-

tor utiliza el algoritmo para predecir y detectar la diabetes a

través de variables de impacto del padecimiento de diabetes,

dichas variables pertenecen al conjunto de datos de la Pima

Indian Diabetes Dataset (PIDD).

Por otro lado, en (Lukmanto et al., 2019) utilizaron al al-

goritmo ANN como modelo ensamblado con otros algorit-

mos tales como K-means, RF, DT, SVM y Naive Bayes (NB)

debido a que mejora el tiempo de cálculo de la red obtenien-

do mejores resultados, la aplicación desde este algoritmo con

otros obtuvo el 98% de aceptabilidad dicho conjunto de da-

tos está comprendido por 400 personas de diferentes grupos

de edad, hábitos alimenticios, culturas, fumadores, no fuma-

dores, bebedores, no bebedores, etc. Un caso similar se pre-

senta en (Derevitskii y Kovalchuk, 2019), que utiliza una téc-

nica de clustering K-Means mejorada para producir centros

de cluster (centros de clasiﬁcación) en un conjunto de en-

trenamiento para la red en lugar de todas las instancias del

117

e-ISSN: 1390-5902

CEDAMAZ, Vol. 13, No. 1, pp. 114–121, Enero-Junio 2023

DOI: 10.54753/cedamaz.v13i1.1804

conjunto de entrenamiento dando precisión de predicción en

un 86% de aceptabilidad dicha técnica se aplicó al conjunto

del PIDD conformado por 768 personas.

Fig. 1: Algoritmos usados para la detección de diabetes

En cuanto al estudio (Shetty y Katkar, 2019b) utilizo los

algoritmos SVM, ANN y RF donde obtuvieron un 90.1%,

88.02%, y 83.59% respectivamente de precisión en la dataset

PIDD percibiendo en dicho estudio que la mejor predicción

la realizó SVM, dicho estudio desarrolla una comparación de

resultados de precisión la cual a su vez propone un modelo

hibrido entre los tres algoritmos para una mejor predicción.

Para ﬁnalizar, la propuesta descrita en (Kazerouni et al.,

2020) realiza una comparación de cuatro algoritmos de

Aprendizaje Automático: DT, KNN, ANN y DL en dos dife-

rentes conjuntos de datos, la primera obtenida del hospital de

Frankfurt (Alemania), y la segunda es el conocido conjunto

de datos de la India Pima; encontrando en primera instancia

resultados que usan diferentes métricas y técnicas; con res-

pecto a las técnicas los Arboles de decisión obtiene mejores

resultados antes del procesamiento con un 98% y después

del procesamiento 99.5% KNN mejora la precisión.

RQ2: ¿Cuáles son las variables que se tomaron en

cuenta para el diagnóstico/predicción de diabetes me-

llitus tipo 2 en los resultados?

En cuanto a QR2 se identiﬁcaron variables que determinan

los factores de riesgo para predicción/diagnóstico de las dia-

betes deﬁnidas en la base de datos de Pima Indian Diabetes

Dataset (PIDD) debido a que 21 de los 35 estudios la utiliza-

ron en sus casos de estudios y experimentos. Ver: enlace.

Por lo que se reﬁere a las variables más determinantes

tanto en artículos que aplicaron casos de estudio y experi-

mentaciones para la predicción/diagnóstico de diabetes son

Edad (Age), Índice de Masa Corporal (BMI), concentración

de glucosa en sangre (Plass), tal como se ilustra en la Figura

En estudios como (Ganesh y Sripriya, 2020) contienen

AGE, BMI, PLASS estas variables pertenecen a conjuntos de

datos distintos al PIDD, tales como Big Medical Data Analy-

Tabla 4: Variables de casos de estudio y experimentos

Descripción Variable

Nro

experi-

mentos

Nro

caso

estudios

Número de veces

embarazadas.

PREG 9 7.

La glucosa en

plasma concentración

2 horas en una

prueba de tolerancia.

PLASS 12 12.

La presión

arterial diastólica

(mm Hh).

PRESS 9 10.

Tríceps espesor

del pliegue de

la piel (mm).

SKIN 9 8.

2 horas suero

de insulina

(mu U/ml).

TEST 9 7.

Índice de masa

corporal.

BMI 12 11.

Función de la

diabetes pedigrí.

PED 10 8.

Edad. AGE 10 10.

Diabético. CLASS 1 8.

Otras variables tomadas en cuenta

Sexo. GENDER 4 6.

Fumador. SMOKING 2 5.

Alcohólico. DRINKING 2 3.

Sed. THIRST 3.

Altura. HEIGHT 3.

Fatiga. FATIGUE 3.

Peso. WEIGHT 3.

Antecedentes

Familiares.

FAMILY 2 4.

Mala

Alimentación.

FOOD 2 4.

Sedentarismo. STAYIN 2 6.

Depresión. WEIGHT 3.

Colesterol. CHOLESTEROL 3 2.

tics y Mostoles Univerity Hospital (Madrid, España), en este

estudio excluye la variable glucosa en sangre porque la uti-

lizan para etiquetar los datos (diabetes si/no), y a su vez es

considerada como variable ruidosa, también excluyó la edad,

ya que la tendencia habría sido invariablemente, utilizando

variables como SMOKING, CHOLESTEROL, BMI, TEST

para el entrenamiento de los datos con el algoritmo KNN ob-

teniendo una precisión y sensibilidad de predicción del 95%.

Otro estudio similar es (Vidhya y Shanmugalakshmi,

2020b), realiza una comparación entre dos bases de datos:

caso 1) Pima Indian Diabetes que esta comprendido por 8

atributos de varios factores de riesgo clínicos, físicos y epide-

miológicos y caso 2) Hippokrateion dataset la cual contiene

información relacionada con la demografía, el estilo de vida,

los exámenes de laboratorio, las complicaciones o comorbi-

lidades y el tratamiento con un total de 27 atributos, ambos

conjuntos de datos contienen edad, indice de masa corporal

118

ESTUDIO DE ALGORITMOS DE INTELIGENCIA ARTIFICIAL CUENCA-ANDRADE et al.

Fig. 2: Variables para la predicción/diabetes mellitus tipo 2

y concentración de glucosa sin embargo se obtuvo mejores

resultados con los atributos del caso 1 con un clasiﬁcación e

precision del 92.86% con el algoritmo ensamblado Badding.

RQ3: ¿Qué herramientas de software se han aplicado

para el diagnóstico de la diabetes mellitus tipo 2 en los

estudios?

Entre las tecnologías identiﬁcadas se mencionan las si-

guientes: Java, Python, Weka, Matlab, SAP y SPSS sin em-

bargo, con un porcentaje del 43% los artículos seleccionados

no mencionan las tecnologías aplicadas, seguido de un por-

centaje del 3% en Java, 6% Python y R, 11% para Python y

ﬁnalmente un 20% para Weka. También se identiﬁca que en

algunos de los estudios utilizan en conjunto dos herramientas

de software para aplicar la predicción tal como es el caso de

Java más Weka o Matlab más Weka que representan el 3%.

(ver Figura 3).

Fig. 3: Herramientas de software

El uso del software WEKA para evaluar la efectividad del

modelo propuesto en (Daanouni et al., 2019) están programa-

dos en el leguaje C++, en la que compara el rendimiento de

cinco enfoques de clasiﬁcación, Antminer, CN2, ANN, Ada-

boost y Bagging para la predicción de la diabetes mellitus,

estos algoritmos se han probado con tres conjuntos de datos

de diabetes de tipo 2 (PIDD, US, AIM’94) donde el algorit-

mo Antminer ha alcanzado el valor kappa más alto de 0,982,

dicho estudio menciona la gran cantidad de métodos que po-

see la herramienta e indica la personalización de acuerdo a

los requisitos del estudio como una de sus mayores ventajas.

Por otra parte (Dong et al., 2019), (Patil et al., 2020) y (P et

al., 2020) explicaron que eligieron Python por su sencillez y

eﬁcacia, así como por el enorme apoyo de las bibliotecas que

permiten realizar estimaciones y predicciones. En los tres ar-

tículos antes mencionados utilizan el algoritmo ANN, LR,

KNN, SVM, debido a su capacidad para predecir y calcular

valores aproximados y funciones interconectadas a partir de

un gran número de entradas que pueden ser desconocidas, ca-

be recalcar que los conjuntos de datos utilizado son distintos

a la base de datos PIDD donde se aprecia en los tres estudios

realizan la división del conjunto en datos para entrenamiento

en un 70% y el 30% para pruebas.

Para (Lukmanto et al., 2019) la combinación de Weka y

Matlab en algoritmos como ANN, SVM, KNN, Naive Bayes

y algoritmos ensamblados permiten entrenar, probar y vali-

dar la predicción de diabetes a través de un sistema exper-

to donde utiliza la validación cruzada para dar a conocer el

diagnóstico, dicho sistema fue aplicado un conjunto de 400

personas que contenía la información de 11 atributos a través

del cuestionario del Test de Findrisk.

En (Durgadevi y Kalpana, 2017) se utiliza el software

SPSS para el análisis de los resultados, mientras (Loku et

al., 2020) utiliza SAP para predecir la diabetes ya que per-

mite la entrada y transformación de datos para cada variable

deﬁnida y así aplicar en distintos escenarios, en este estu-

dio realiza la recolección de datos a través de un formulario

de Google capturando 656 casos. Por otra parte, en (Singh

y Singh, 2020) se usa software RStudio con el lenguaje R

donde implementa el algoritmo LR para veriﬁcar la relevan-

cia de las variables para una mejor predicción. A pesar que

15 de los artículos no describen la herramienta utilizada en

su contenido, 8 de ellos pertenecen a la base datos PIDD co-

mo por ejemplo (O. Barrios et al., 2017b), (Wu et al., 2018),

119

e-ISSN: 1390-5902

CEDAMAZ, Vol. 13, No. 1, pp. 114–121, Enero-Junio 2023

DOI: 10.54753/cedamaz.v13i1.1804

(Alehegn y Joshi, 2019), (Shetty y Katkar, 2019b) donde di-

chos autores utilizan las 8 variables del conjunto para realizar

la predicción a través de la validación cruzada utilizada co-

múnmente en la herramienta de software WEKA.

CONCLUSIONES

Los algoritmos identiﬁcados como mas signiﬁcativos pa-

ra la predicción y/o diagnóstico de Diabetes Mellitus Tipo 2

son los siguientes: Artiﬁcial Neuronal Network (ANN), Ran-

dom Forest (RF) Support Vector Machine (SVM), Decision

Tree o Árbol de decisión (J48, C4.5), K-nearest neighbor´s o

vecino más cercano (KNN) y Logistic R egression (LR), de

los cuales el mejor algoritmo para detección de diabetes me-

llitus tipo 2 es el algoritmo ANN debido que realiza el pro-

cesamiento de las variables de entrada por capas en un gran

conjunto de datos comprendido con datos cuantitativos como

cualitativos, mientras que el algoritmo SVM no trabaja con

grandes volúmenes de información y requiere de clases de-

pendientes para realizar una correcta predicción, ﬁnalmente

el algoritmo Deep Learning aún se encuentra en fase de ex-

perimentación para la detección de la diabetes mellitus tipo

2, ya que los datos deben ser cuantitativos, sin embargo cabe

recalcar que tiene gran aceptación con grandes volúmenes de

datos.

Las variables más utilizadas dentro de los casos de estudio

como experimentación son: Índice de masa corporal (BMI),

concentración de glucosa en sangre (PLASS) y edad sin em-

bargo el ampliar las variables mejora la predicción.

Para ﬁnalizar los lenguajes de programación más utiliza-

das en los estudios seleccionadas fueron: Java y Python, las

herramientas más utilizadas dentro del estudio son Weka y

Matlab.

REFERENCIAS

A.L.A.D. (2019). Guías alad sobre el diagnóstico, con-

trol y tratamiento de la diabetes mellitus tipo 2 con

medicina basada en evidencia edición 2019”. Rev.

la Asoc. Latinoam. diabetes, 2019. Descargado de

www.revistaalad.com. (En línea]. Disponible en:)

Alehegn, M., y Joshi, R. (2019). Type ii diabetes prediction

using combo of svm”. Int.J. Eng. Adv. Technol, 8, núm.

6, 712–715,. doi: 10.35940/ijeat.F7974.088619.

Baltar, F., y Gorjup, M. (2014). Muestreo mixto online: Una

aplicación en poblaciones ocultas”. Intang. Cap, núm.

1, 2012–2020,. doi: 10.3926/ic.294.

Barbara, K. (2007). Guidelines for performing systematic

literature reviews in software engineering”.

Barrios, D., y Infantes, E. (2018). Modelo predictivo para el

diagnóstico de la diabetes mellitus tipo 2 soportado por

sap predictive analytics”. UNIVERSIDAD PERUANA

DE CIENCIAS APLICADAS.

Barrios, O., Alberto, D., Infantes, V., Raphael, E., Aguirre,

A., y Alexander, J. (2017a). Predictive modeling for

presumptive diagnosis of type 2 diabetes mellitus based

on symptomatic analysis”. doi: 10.1109/INTERCON

.2017.8079667.

Barrios, O., Alberto, D., Infantes, V., Raphael, E., Agui-

rre, A., y Alexander, J. (2017b). Predictive mode-

ling for presumptive diagnosis of type 2 diabetes me-

llitus based on symptomatic analysis”. en 2017 IEEE

XXIV International Conference on Electronics, Elec-

trical Engineering and Computing (INTERCON, 1–4,.

doi: 10.1109/INTERCON.2017.8079667.

Bello, L. (2016). El riesgo de los que cuidan el riesgo: Fin-

drisk en personal de blanco.”. Rev. virtual Soc. Parag.

Med. Int, 3, núm. 2, 71–76,. doi: 10.18004/rvspmi/.

Benítez, R., Escudero, G., y Kanaan, S. (2013). Inteligencia

artiﬁcial avanzada, editorial. Barcelona.

Bocco, M., Lemus, J., y Velthuis, M. (2014). Métodos de

investigación en ingeniería del software”.

Brereton, P., Kitchenham, B., Budgen, D., Turner, M., y Kha-

lil, M. (2007). Lessons from applying the systematic

literature review process within the software enginee-

ring domain”. J. Syst. Softw, 80, núm. 4, 571–583,. doi:

10.1016/j.jss.2006.07.009.

Carrizo, D., y Moller, C. (2018). Estructuras metodológicas

de revisiones sistemáticas de literatura en ingeniería de

software: un estudio de mapeo sistemático methodolo-

gical structures of systematic literature review in soft-

ware engineering: a systematic mapping study”.

Chen, W., Chen, S., Zhang, H., y Wu, T. (2017). A hybrid

prediction model for type 2 diabetes using k-means and

decision tree”. Proc. IEEE Int. Conf. Softw. Eng. Serv.

Sci. ICSESS, núm, 61272399, 386–390,. doi: 10.1109/

ICSESS.2017.8342938.

Daanouni, O., Cherradi, B., y Tmiri, A. (2019). Predic-

ting diabetes diseases using mixed data and supervised

machine learning algorithms”. doi: 10.1145/3368756

.3369072.

Derevitskii, I., y Kovalchuk, S. (2019). Analysis course

of the disease of type 2 diabetes patients using markov

chains and clustering methods.”. Procedia Comput. Sci,

156, 114–122,. doi: 10.1016/j.procs.2019.08.186.

Dong, Y., Wen, R., Li, Z., Zhang, K., y Zhang, L. (2019).

Clu-rnn: A new rnn based approach to diabetic blood

glucose prediction”. En en 2019 ieee 7th international

conference on bioinformatics and computational bio-

logy ( icbcb (p. 50–55,). doi: 10.1109/ICBCB.2019

.8854670.

Durgadevi, M., y Kalpana, R. (2017). Performance analysis

of classiﬁcation approaches for the prediction of type ii

diabetes”. En en 2017 ninth international conference

on advanced computing (icoac (p. 339–344,). doi: 10

.1109/ICoAC.2017.8441197.

Freddy, , y Viera, G. (2015). Técnicas de aprendizaje de

máquina utilizadas para la minería de texto” (Vol. 31).

G, (2005). Revisiones sistemáticas de la literatura”.

Ganesh, P., y Sripriya, P. (2020). A comparative review of

prediction methods for pima indians diabetes dataset”.

Adv. Intell. Syst. Comput(C), 735–750,. doi: 10.1007/

978-3-030-37218-7_83.

INEC. (2017). Instituto nacional de estadísticas y censos,

diabetes, segunda causa de muerte después de las en-

fermedades isquémicas del corazón. INEC. Descar-

gado de https://www .ecuadorencifras .gob .ec/

diabetes -segunda -causa -de -muertedespues -de

-las -enfermedades -isquemicas -del -corazon /

(consultado mar. 15, 2020).)

International Diabetes Federation, A., y Séptima. (2015).

Kadhm, M., Ghindawi, I., Of, D.-I., y U. (2018). An accura-

te diabetes prediction system based on k-means cluste-

ring and proposed classiﬁcation approach”. ripublica-

tion.com, 13, 4038–4041,.

Kazerouni, F., Bayani, A., Asadi, F., Saeidi, L., Parvizi, N., y

Mansoori, Z. (2020). Type2 diabetes mellitus prediction

using data mining algorithms based on the longnonco-

ding rnas expression: A comparison of four data mining

120

ESTUDIO DE ALGORITMOS DE INTELIGENCIA ARTIFICIAL CUENCA-ANDRADE et al.

approaches”. BMC Bioinformatics, 21, núm. 1. doi:

10.1186/s12859-020-03719-8.

Kitchenham, B. (2004). Procedures for performing systema-

tic reviews”. Br. J. Manag, 14, núm. 0, 207–222,. doi:

10.1111/1467-8551.00375.

Kopitar, L., Cilar, L., Kocbek, P., y Stiglic, G. (2019). Lo-

cal vs. global interpretability of machine learning mo-

dels in type 2 diabetes mellitus screening”. Lect. Notes

Comput. Sci. (including Subser. Lect. Notes Artif. Intell.

Lect. Notes Bioinformatics, 11979 LNAI, 108–119,. doi:

10.1007/978-3-03037446-4_9.

Kumari, M., Vohra, R., y Arora, A. (2014). Prediction

of diabetes using bayesian network”. Int. J. Comput.

Sci. Inf. Technol, 5, núm. 4, 5174–5178,. Descarga-

do de http://citeseerx .ist .psu .edu/viewdoc/

summary?doi=10.1.1.640.3573. (En línea]. Dispo-

nible en:)

Kumari, V., Chitra, R., Castrillón, O., Sarache, W., y Castaño,

E. (2013). Classiﬁcation of diabetes disease using sup-

port vector machine”. Int. J. Eng. Res. Appl, 3, núm. 2,

1797–1801,. doi: 10.4067/S0718-07642017000600017

Lantz, B. (2019). Machine learning with r (Vol. 3). Packt

Publishing.

Libed, J., Perreras, R., y Carpio, J. (2020). Type ii diabetes

analysis using naïve bayesian classiﬁcation algorithm”.

ACM Int. Conf. Proceeding Ser, 35–39,. doi: 10.1145/

3424311.3424327.

Loku, L., Fetaji, B., y Fetaji, M. (2020). Prevention of dia-

betes by devising a prediction analytics model”. doi:

10.1109/HORA49412.2020.9152894.

Lukmanto, R., Suharjito, A., y Akbar, H. (2019). Early

detection of diabetes mellitus using feature selection

and fuzzy support vector machine”. Procedia Comput.

Sci, 157, 46–54,. Descargado de https://doi.org/

10 .1016/j .procs .2019 .08 .140 . doi: 10.1016/

j.procs.2019.08.140.

Mosquera, R., Castrillón, O., y Parra, L. (2018). Máqui-

nas de soporte vectorial, clasiﬁcador naïve bayes y al-

goritmos genéticos para la predicción de riesgos psi-

cosociales en docentes de colegios públicos colombia-

nos”. Inf. tecnológica, 29, núm. 6, 153–162,. doi:

10.4067/s0718-07642018000600153.

Organizacion mundial de la salud, informe mundial sobre la

diabetes. (2016).

P, B., R, S., K, N., y K, A. (2020). Type 2: Diabetes me-

llitus prediction using deep neural networks classiﬁer”.

Int. J. Cogn. Comput. Eng, 1, 55–61,. Descargado de

https://doi .org/10.1016/j.ijcce.2020.10.002

. doi: 10.1016/j.ijcce.2020.10.002.

Patil, R., Tamane, S., y Patil, K. (2020). Self organising fuzzy

logic classiﬁer for predicting type-2 diabetes mellitus

using aco-ann”. Int. J. Adv. Comput. Sci. Appl, 11, núm.

7, 348–353,. doi: 10.14569/IJACSA.2020.0110746.

Petticrew, M., y Roberts, H. (2008). Systematic reviews in

the social sciences: A practical guide.

Ram, G., y Christian, S. (2016). Agrupamiento de textos cor-

tos en dominios cruzados cross-domain clustering for

short texts” (Vol. 115).

Rodríguez, F. (2017). Métodos de clasiﬁcación | estadística

y machine learning con r.”. en Estadística y Machine

Learning con R.

Sampieri, R., Collado, C., y Pilar Baptista Lucio, M. (1997).

Metodología de la investigación (5ta Ed” ed.).

Sataloff, R., Johns, M., y Kost, K. (2015). Obesidad,

diabetes mellitus y sindrome metabólico”. En en ha-

rrison principios de medicina interna, novena (Vol. 2,

p. 2392–2449).

Shetty, G., y Katkar, V. (2019a). Type-ii diabetes detection

using decision-tree based ensemble of classiﬁers”. doi:

10.1109/ICCUBEA47591.2019.9129348.

Shetty, G., y Katkar, V. (2019b). Type-ii diabetes detec-

tion using decision-tree based ensemble of classiﬁers”.

En en 2019 5th international conference on compu-

ting, communication, control and automation (iccubea

(p. 1–5,). doi: 10.1109/ICCUBEA47591.2019.9129348

Singh, N., y Singh, P. (2020). A stacked generalization ap-

proach for diagnosis and prediction of type 2 diabetes

mellitus”. Adv. Intell. Syst. Comput, 990, 559–570,. doi:

10.1007/978-981-13-8676-3_47.

S. OMS, O. (2020). Diabetes”. Descargado de https://www

.who .int/ es/ news -room/fact -sheets /detail/

diabetes

Toro, J., Giraldo, S., y Plaza, J. (2020). Utilización de algo-

ritmos de clasiﬁcación bayesiana y sistemas inteligentes

para el desarrollo de un prototipo software para el diag-

nóstico de diabetes mellitus tipo 2”. en Investigación

Formativa en Ingeniería, Cuarta Edi., Medellyn, 295.

Verónica, N., Pérez, R., Estrada, M., Miriam, A., y Tovar, D.

(2015). Aplicación métodos de inteligencia artiﬁcial en

el área médica.”. Pist. Educ. Inst. Tecnológico Celaya.,

núm, 111, 124–130,.

Vidhya, K., y Shanmugalakshmi, R. (2020a). Deep lear-

ning based big medical data analytic model for diabe-

tes complication prediction”. J. Ambient Intell. Huma-

niz. Comput, 11, núm. 11, 5691–5702,. doi: 10.1007/

s12652-020-01930-2.

Vidhya, K., y Shanmugalakshmi, R. (2020b). Deep lear-

ning based big medical data analytic model for diabe-

tes complication prediction”. J. Ambient Intell. Huma-

niz. Comput, 11, núm. 11, 5691–5702,. doi: 10.1007/

s12652-020-01930-2.

Wang, C. (2013). Evaluating the risk of type 2 diabetes me-

llitus using artiﬁcial neural network: An effective clas-

siﬁcation approach”. Diabetes Res. Clin. Pract, 100,

núm. 1, 111–118,. doi: 10.1016/j.diabres.2013.01.023.

Wu, H., Yang, S., Huang, Z., He, J., y Wang, X. (2018). Type

2 diabetes mellitus prediction model based on data mi-

ning”. Informatics Med. Unlocked, 10, 100–107,. doi:

10.1016/j.imu.2017.12.006.

121