Estudio de algoritmos de inteligencia artificial más utilizados para el diagnóstico de diabetes mellitus tipo 2

Autores/as

  • Gabriela Cuenca-Andrade Carrera de Ingeniería en Sistemas, Universidad Nacional de Loja, Loja, Ecuador
  • René Guamán-Quinche Carrera de Ingeniería en Sistemas, Universidad Nacional de Loja, Loja, Ecuador https://orcid.org/0000-0003-3811-2668
  • Francisco Álvarez-Pineda Carrera de Ingeniería en Sistemas, Universidad Nacional de Loja, Loja, Ecuador https://orcid.org/0000-0002-5470-6047
  • Wilman Chamba-Zaragocin Carrera de Ingeniería en Sistemas, Universidad Nacional de Loja, Loja, Ecuador
  • José Oswaldo Guamán-Quinche Carrera de Ingeniería en Sistemas, Universidad Nacional de Loja, Loja, Ecuador https://orcid.org/0000-0003-0401-4349

DOI:

https://doi.org/10.54753/cedamaz.v13i1.1804

Palabras clave:

Diabetes tipo 2, Técnicas de inteligencia artificial, Predicción de diabetes

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?

Métricas

Cargando métricas ...

Citas

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

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., Aguirre, A., y Alexander, J. (2017b). Predictive modeling for presumptive diagnosis of type 2 diabetes mellitus based on symptomatic analysis”. en 2017 IEEE XXIV International Conference on Electronics, Electrical Engineering and Computing (INTERCON, 1–4,. doi: 10.1109/INTERCON.2017.8079667.

Bello, L. (2016). El riesgo de los que cuidan el riesgo: Findrisk 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 Khalil, M. (2007). Lessons from applying the systematic literature review process within the software engineering 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 methodological structures of systematic literature review in software 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). Predicting 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 biology ( 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 enfermedades isquémicas del corazón. INEC. Descargado 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 accurate diabetes prediction system based on k-means clustering and proposed classification approach”. ripublication. 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 longnoncoding rnas expression: A comparison of four data mining approaches”. BMC Bioinformatics, 21, núm. 1. doi: 10.1186/s12859-020-03719-8.

Kitchenham, B. (2004). Procedures for performing systematic 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). Local vs. global interpretability of machine learning models 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,. Descargado de http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.640.3573.

Kumari, V., Chitra, R., Castrillón, O., Sarache,W., y Castaño, E. (2013). Classification of diabetes disease using support 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 diabetes 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). Máquinas de soporte vectorial, clasificador naïve bayes y algoritmos genéticos para la predicción de riesgos psicosociales en docentes de colegios públicos colombianos”. Inf. tecnológica, 29, núm. 6, 153–162,. doi:

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 mellitus 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 cortos 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 harrison 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 detection using decision-tree based ensemble of classifiers”. En en 2019 5th international conference on computing,communication, control and automation (iccubea(p. 1–5,). doi: 10.1109/ICCUBEA47591.2019.9129348.

Singh, N., y Singh, P. (2020). A stacked generalization approach 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 algoritmos de clasificación bayesiana y sistemas inteligentes para el desarrollo de un prototipo software para el diagnóstico 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 learning based big medical data analytic model for diabetes complication prediction”. J. Ambient Intell. Humaniz. Comput, 11, núm. 11, 5691–5702,. doi: 10.1007/s12652-020-01930-2.

Vidhya, K., y Shanmugalakshmi, R. (2020b). Deep learning based big medical data analytic model for diabetes complication prediction”. J. Ambient Intell. Humaniz. Comput, 11, núm. 11, 5691–5702,. doi: 10.1007/s12652-020-01930-2.

Wang, C. (2013). Evaluating the risk of type 2 diabetes mellitus using artificial neural network: An effective classification 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., yWang, X. (2018). Type 2 diabetes mellitus prediction model based on data mining”. Informatics Med. Unlocked, 10, 100–107,. doi: 10.1016/j.imu.2017.12.006.

Descargas

Publicado

2023-06-30

Cómo citar

Cuenca Andrade, G., Guamán-Quinche, R., Álvarez-Pineda, F., Chamba-Zaragocin, W., & Guamán-Quinche, J. O. (2023). Estudio de algoritmos de inteligencia artificial más utilizados para el diagnóstico de diabetes mellitus tipo 2. CEDAMAZ, 13(1), 114–121. https://doi.org/10.54753/cedamaz.v13i1.1804

Número

Vol. 13 Núm. 1 (2023): CEDAMAZ

Sección

Artículos de revisión

Licencia

Derechos de autor 2023 CEDAMAZ

Creative Commons License

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

Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:

  1. Luego que el artículo científico es aceptado, para su publicación el o la autora aceptan ceder los derechos de la primera publicación a la Revista CEDAMAZ, conservando sus derechos de autor. Se permite la reproducción total o parcial de los textos que se publican siempre y cuando sea sin fines de lucro. Cuando se ejecute la reproducción total o parcial de los artículos científicos aceptados y publicados en la revista CEDAMAZ, se debe citar la fuente completa y la dirección electrónica de la publicación.

  2. Los artículos científicos aceptados y publicados en la revista CEDAMAZ pueden ser depositados por los autores de manera integra en cualquier repositorio sin fines comerciales.

  3. Los autores no deben distribuir los artículos científicos aceptados, pero que todavía no han sido publicados oficialmente por la revista CEDAMAZ. En el caso de incumplir esta norma implica el rechazo del articulo científico.

  4. La publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons

Artículos más leídos del mismo autor/a