Resumen de Un enfoque de Machine Learning y razonamiento probabi-lístico en el pronóstico de factores de riesgo de la diabetes

Jonathan P. Cárdenas Ruperti, Francisco S. Durán Pérez, Luis A. Padilla Alvarez

• español

  Este trabajo investigativo propone el diseño de un modelo computacional de clasificación a través del uso de técnicas de Machine Learning, hemos optado por trabajar con el aprendizaje automático apoyado en un modelo probabilístico que permi-ta evaluar los factores de riesgo de la enfermedad de la diabetes tipo 2. Este modelo está basado en el método de regresión logística, que según a los factores de riesgo de la enfermedad, mostrará como resultado el porcentaje que tiene el paciente de contraer la misma. Se aplicó la metodología de investigación bibliográfica que aporte con el conocimiento necesario para la realización de este proyecto en el cual se realizaron pruebas para verificar el comportamiento de cada una de las variables utilizadas en el modelo probabilístico, el cual brindará resultados eficientes y en un corto periodo de tiempo siendo así una herramienta de apoyo en la toma de decisiones a los expertos y aportando con el diagnóstico oportuno para prevenir la enfermedad.

• English

  This research work proposes the design of a classification computational model through the use of Machine Learning techniques, we have chosen to work with machine learning supported by a probabilistic model that allows evaluating the risk factors of type 2 diabetes disease This model is based on the logistic regression method, which, according to the risk factors of the disease, will show as a result the percentage that the patient has of contracting it. The bibliographic research methodology was applied that provides the necessary knowledge to carry out this project in which tests were carried out to verify the behavior of each of the variables used in the probabilistic model, which will provide efficient results in a short time the period thus being a tool to support experts in decision-making and providing the appropriate diagnosis to prevent the disease.