Predicción De Riesgo De Diabetes Mediante Un Modelo De Aprendizaje Automático Basado en El Clasificador Ingenuo Bayesiano

Abstract

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.