Objetivo: Mejorar la precisión en la predicción de la diabetes mediante un modelo de aprendizaje automático basado en el clasificador ingenuo bayesiano Métodos: Se utilizaron varios métodos entre ellos el análisis de datos, el procesamiento de los datos, así como la implementación de un clasificador ingenuo bayesiano posteriormente se avaluaron las métricas de evaluación del modelo. Resultados El impacto de esta investigación se da en el valor preventivo que genera una tendencia de salud integral y a la calidad de vida incluyendo a sectores vulnerables, salud pública y familiar contribuyendo a solucionar el problema de salud agravante mediante el clasificador ingenuo de bayes con aplicación en el aprendizaje automático para calcular el riesgo de un diagnóstico de diabetes tomando en cuenta datos del paciente mediante una evaluación adecuada de los síntomas más frecuentes y signos comunes el método que se usa es el clasificador ingenuo bayesiano para la predicción de diabetes con una precisión de esta investigación es de 89.01% con un intervalo de confianza del 95% que oscila entre (0.8534, 0.9203). Nos interesa clasificar los casos positivos de diabetes podemos afirmar que este modelo funciona muy bien teniendo una sensibilidad de del 82%, con una capacidad de correctamente casos negativos de diabetes es de 94% con un índice Kappa del 77.27% lo que muestra concordancia casi perfecta de diabetes podemos afirmar que este modelo funciona muy bien teniendo una sensibilidad de del 82%, con una capacidad de correctamente casos negativos de diabetes es de 94%. Conclusiones: El modelo nos indica su capacidad para identificar correctamente los casos positivos y negativos de diabetes. La tasa de no información fue del 0.5714, y el valor P [Acc > NIR] fue menor que 2e-16, lo que indica que el modelo no tiene errores significativos en la clasificación. La tasa de detección fue del 35.16%, y la prevalencia de detección fue del 38.46%, lo que demuestra la capacidad del modelo para detectar la presencia de diabetes en la población. Además, la precisión equilibrada del modelo fue del 88.14%, lo que sugiere que es un modelo equilibrado en términos de predicciones positivas y negativa, los resultados indican que el modelo Naive Bayes es altamente preciso y confiable en la predicción de la diabetes, lo que puede ser de gran utilidad en la detección temprana y el tratamiento de esta enfermedad crónica.

El cáncer es una de las enfermedades que más amenaza la vida y las mutaciones en genes seleccionados están asociadas con el tumor génesis. La identificación de las mutaciones conductoras, que son responsables de la progresión de la enfermedad, es crucial para la oncología de precisión. La información disponible experimentalmente sobre las mutaciones que causan cáncer se acumula en varias bases de datos y los datos se utilizan para desarrollar algoritmos computacionales que predicen las mutaciones impulsoras. En este capítulo, examinamos la literatura para revisar las bases de datos disponibles y resumimos sus características clave. También exploramos métodos computacionales para identificar mutaciones causantes de enfermedades en genes específicos y tipos de cáncer, así como métodos predictivos más genéricos. Además, discutimos las aplicaciones de estas herramientas computacionales que se enfocan en estudios a gran escala. Las bases de datos y los métodos para identificar las mutaciones impulsoras discutidos en esta revisión son útiles para el desarrollo de la medicina de precisión y avanzan en el plan para los esfuerzos biológicos y clínicos.

Objetivo: Desarrollar un modelo probabilístico basado en redes bayesianas para la predicción de la diabetes mellitus en mujeres. Métodos: Se utilizaron varios métodos entre ellos el análisis exploratorio de datos, el preprocesamiento de datos, el modelado de la red bayesiana, la validación del modelo y la optimización del modelo para su mejor predicción y se exploró la posibilidad de mejorar su sensibilidad para detectar a todas las personas con diabetes Mellitus. Resultados: indican que el modelo de redes bayesianas tiene una precisión aceptable en la detección de la diabetes mellitus en mujeres, con un valor predictivo positivo del 69,57%, un valor predictivo negativo del 79,93% y una tasa de error del 23,18%. Sin embargo, se observa una necesidad de mejorar la sensibilidad del modelo para detectar a todas las personas con la enfermedad también se encontró que el modelo tiene una tasa de error del 23,18%, lo que indica que el modelo tiene un error del 23,18% en la clasificación de casos, por otro lado, los resultados de la regla de puntuación proporcionan información adicional sobre el desempeño del modelo, la pérdida logarítmica de 0,4904 y la pérdida cuadrática de 0,3222 indican que el modelo tiene un buen rendimiento en la clasificación de los casos, ya que estas medidas de pérdida son bajas. Además, el resultado esférico de 0,8196 indica que el modelo tiene una buena capacidad para discriminar entre las diferentes clases de la variable dependiente por tanto el modelo probabilístico basado en redes bayesianas es una herramienta prometedora para la predicción temprana de la diabetes mellitus Conclusiones: La construcción de un modelo probabilístico basado en redes bayesianas para la predicción de diabetes Mellitus ha demostrado ser una herramienta útil para la identificación temprana de la diabetes mellitus ya que el modelo cuenta con una precisión aceptable y un buen rendimiento en la clasificación de casos, se necesita mejorar su sensibilidad para detectar a todas las personas con diabetes, se destaca la importancia de seguir investigando en este campo para mejorar la precisión de los modelos y lograr una detección temprana más efectiva de la enfermedad.