Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático

La detección de Diabetes Tipo 2 (DT2) y prediabetes (PDM) representa un verdadero desafío para la medicina debido a la ausencia de síntomas patogenómicos y a la falta de conocimiento de los factores de riesgo asociados. Si bien existen algunas propuestas de modelos de aprendizaje automático que per...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Rucci, Enzo, Tittarelli, Gonzalo, Ronchetti, Franco, Elgart, Jorge Federico, Lanzarini, Laura Cristina, Gagliardino, Juan José
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
salud pública
enfermedad crónica
machine learning
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/164889
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-164889
record_format dspace
spelling I19-R120-10915-1648892024-04-17T13:00:20Z http://sedici.unlp.edu.ar/handle/10915/164889 Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático Rucci, Enzo Tittarelli, Gonzalo Ronchetti, Franco Elgart, Jorge Federico Lanzarini, Laura Cristina Gagliardino, Juan José 2023-10 2024 2024-04-16T15:05:17Z es Ciencias Informáticas salud pública enfermedad crónica machine learning La detección de Diabetes Tipo 2 (DT2) y prediabetes (PDM) representa un verdadero desafío para la medicina debido a la ausencia de síntomas patogenómicos y a la falta de conocimiento de los factores de riesgo asociados. Si bien existen algunas propuestas de modelos de aprendizaje automático que permiten identificar a personas en riesgo, las características de esta enfermedad hacen que uno que resulte adecuado para una población, no necesariamente lo sea para otra. Este artículo propone desarrollar y evaluar modelos predictivos que permitan identificar personas con riesgo de DT2 y PDM específicos para la población argentina. Partiendo de un cuidadoso preprocesamiento de la base de datos, se generaron dos datasets particulares considerando el compromiso entre cantidad de registros y de variables disponibles. Luego de aplicar 5 diferentes modelos de clasificación, los resultados obtenidos muestran que algunos de ellos obtuvieron muy buenos rendimientos para ambos datasets. En particular, RF, DT y ANN demostraron gran poder de clasificación, con altos valores en las métricas consideradas. Considerando la vacancia de herramientas de este tipo para la población argentina, este trabajo representa el primer paso hacia modelos más sofisticados. Red de Universidades con Carreras en Informática Instituto de Investigación en Informática Centro de Endocrinología Experimental y Aplicada Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 146-158
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
salud pública
enfermedad crónica
machine learning
spellingShingle Ciencias Informáticas
salud pública
enfermedad crónica
machine learning
Rucci, Enzo
Tittarelli, Gonzalo
Ronchetti, Franco
Elgart, Jorge Federico
Lanzarini, Laura Cristina
Gagliardino, Juan José
Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático
topic_facet Ciencias Informáticas
salud pública
enfermedad crónica
machine learning
description La detección de Diabetes Tipo 2 (DT2) y prediabetes (PDM) representa un verdadero desafío para la medicina debido a la ausencia de síntomas patogenómicos y a la falta de conocimiento de los factores de riesgo asociados. Si bien existen algunas propuestas de modelos de aprendizaje automático que permiten identificar a personas en riesgo, las características de esta enfermedad hacen que uno que resulte adecuado para una población, no necesariamente lo sea para otra. Este artículo propone desarrollar y evaluar modelos predictivos que permitan identificar personas con riesgo de DT2 y PDM específicos para la población argentina. Partiendo de un cuidadoso preprocesamiento de la base de datos, se generaron dos datasets particulares considerando el compromiso entre cantidad de registros y de variables disponibles. Luego de aplicar 5 diferentes modelos de clasificación, los resultados obtenidos muestran que algunos de ellos obtuvieron muy buenos rendimientos para ambos datasets. En particular, RF, DT y ANN demostraron gran poder de clasificación, con altos valores en las métricas consideradas. Considerando la vacancia de herramientas de este tipo para la población argentina, este trabajo representa el primer paso hacia modelos más sofisticados.
format Objeto de conferencia
Objeto de conferencia
author Rucci, Enzo
Tittarelli, Gonzalo
Ronchetti, Franco
Elgart, Jorge Federico
Lanzarini, Laura Cristina
Gagliardino, Juan José
author_facet Rucci, Enzo
Tittarelli, Gonzalo
Ronchetti, Franco
Elgart, Jorge Federico
Lanzarini, Laura Cristina
Gagliardino, Juan José
author_sort Rucci, Enzo
title Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático
title_short Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático
title_full Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático
title_fullStr Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático
title_full_unstemmed Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático
title_sort primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina utilizando técnicas de aprendizaje automático
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/164889
work_keys_str_mv AT ruccienzo primerasexperienciasenlaidentificaciondepersonasconriesgodediabetesenlapoblacionargentinautilizandotecnicasdeaprendizajeautomatico
AT tittarelligonzalo primerasexperienciasenlaidentificaciondepersonasconriesgodediabetesenlapoblacionargentinautilizandotecnicasdeaprendizajeautomatico
AT ronchettifranco primerasexperienciasenlaidentificaciondepersonasconriesgodediabetesenlapoblacionargentinautilizandotecnicasdeaprendizajeautomatico
AT elgartjorgefederico primerasexperienciasenlaidentificaciondepersonasconriesgodediabetesenlapoblacionargentinautilizandotecnicasdeaprendizajeautomatico
AT lanzarinilauracristina primerasexperienciasenlaidentificaciondepersonasconriesgodediabetesenlapoblacionargentinautilizandotecnicasdeaprendizajeautomatico
AT gagliardinojuanjose primerasexperienciasenlaidentificaciondepersonasconriesgodediabetesenlapoblacionargentinautilizandotecnicasdeaprendizajeautomatico
_version_ 1807222940011331584

Ejemplares similares