Detección temprana de riesgo de diabetes mediante aprendizaje automático supervisado basado en factores individuales no invasivos
Sinopsis
La creciente incidencia de patologías metabólicas crónicas, como la diabetes mellitus, representa un desafío importante para la sostenibilidad de los sistemas sanitarios globales. Ante la necesidad de mecanismos de tamizado masivo eficientes y de bajo costo, esta investigación tuvo como objetivo desarrollar y evaluar un modelo de inteligencia artificial orientado a la detección temprana del riesgo de diabetes y prediabetes, empleando exclusivamente factores individuales no invasivos para mitigar la dependencia de pruebas clínicas complejas. Se aplicó un enfoque cuantitativo y experimental fundamentado en el entrenamiento de algoritmos supervisados de aprendizaje automático. El estudio procesó un conjunto de datos masivo derivado de sistemas de vigilancia conductual, ejecutando una selección de características centrada en variables fisiológicas y de estilo de vida, tales como el índice de masa corporal, la edad y el historial de actividad física. Se implementó una arquitectura basada en potenciación de gradiente (gradient boosting), optimizada mediante una estrategia de ponderación de clases asimétrica diseñada para penalizar los falsos negativos ante el desbalance inherente de los datos médicos. La experimentación validó la robustez de la propuesta técnica. El modelo alcanzó una sensibilidad (recall) superior al 99 %, asegurando la identificación efectiva de la gran mayoría de individuos en situación de riesgo y minimizando la omisión de casos críticos. La integración de herramientas computacionales calibradas para maximizar la recuperación de casos positivos constituye una alternativa viable para fortalecer la medicina preventiva. Se concluye que esta herramienta optimiza la asignación de recursos sanitarios al actuar como un filtro de cribado primario confiable, permitiendo dirigir las evaluaciones clínicas confirmatorias de manera prioritaria hacia los pacientes que presentan una mayor probabilidad diagnóstica real.
Descargas
Páginas
19
Publicado
febrero 28, 2026
Colección
ISSN en línea
3103-117X
Categorías
Derechos de autor 2026 Thomás Ricardo Borja Saltos, Claudio Xavier Borja Saltos , Jorge Wilson Tamami Pachala, Cristhian Geovanny Villamarin Arroba, Mercedes Anabel Monar Verdezoto, Hernán Arturo Rojas Sánchez, Simeón Ángel Zavala Verdezoto, Alisson Daniela Ocampo Paño, Mario Manuel Paredes Lopez, Erika Anabel Duche Manobanda, Jesús Ernesto González Torres, Alexander Ufredo Alegria Chavez, Diana Magali Alegría Camino, Verónica Elizabeth Sánchez Aguiar (Autor de capítulo)
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cómo citar
Detección temprana de riesgo de diabetes mediante aprendizaje automático supervisado basado en factores individuales no invasivos. (2026). In Desafíos de la sociedad contemporánea: Vol. V2i1 (p. 19). Editorial Unión Científica. https://doi.org/10.63804/mtc.v2i1.e5
