Determinación del riesgo de diabetes en México mediante un sistema difuso optimizado por recocido simulado
DOI:
https://doi.org/10.36825/RITI.10.20.011Palabras clave:
Predicción de Riesgo, Diabetes, Lógica Difusa, Recocido Simulado, OptimizaciónResumen
Según la Organización Mundial de la Salud, aproximadamente el 70% de los adultos en México padecen sobrepeso u obesidad, factores determinantes en el desarrollo de diabetes mellitus tipo 2. Además, según el Instituto Nacional de Salud Pública, 10.3% de los mayores de 20 años padecen diabetes. Para facilitar las tareas de decisión o clasificación al momento de tratar a un paciente, los expertos desarrollan sistemas basados en lógica difusa, sin embargo, este diseño no suele ser infalible, por lo que es común optimizarlos para mejorar su rendimiento. El presente trabajo muestra los resultados de una comparación entre la eficiencia en la predicción de riesgo de padecimiento de diabetes tipo 2, establecida por la prueba de FINDRISC y de un sistema difuso de diseño propio optimizado por la heurística de Recocido Simulado para 295 pacientes de Acapulco, México. La comparación muestra que el sistema difuso obtiene la misma sensibilidad, pero valores superiores de especificidad y, valores predictivos positivos y negativos con mejoras generales en los intervalos de confianza, concluyendo que utilizar el sistema propuesto como auxiliar en la prevención de diabetes tipo 2 es viable y arroja resultados apegados a la realidad de los pacientes.
Citas
Organización Mundial de la Salud. (2016). Informe Mundial Sobre la Diabetes. Recuperado de:
http://apps.who.int/iris/bitstream/handle/10665/254649/9789243565255-spa.pdf
Instituto Nacional de Salud Pública. (2018). Encuesta Nacional de Salud y Nutrición. Recuperado de:
Mendiola Pastrana, I. R., Urbina Aranda, I. I., Muñoz Simón, A. E., Juanico Morales, G., López Ortiz, G. (2017). Evaluación del desempeño del Finnish Diabetes Risk Score (FINDRSIC) como prueba de tamizaje para diabetes mellitus tipo 2. Atención Familiar, 25 (1), 22-26. doi: http://dx.doi.org/10.22201/facmed.14058871p.2018.1.62925
Reddy Gadekallu, T., Khare, N. (2017). Cuckoo Search Optimized Reduction and Fuzzy Logic Classifier for Heart Disease and Diabetes Prediction. International Journal of Fuzzy System Applications (IJFSA), 6 (2), 25-42. doi: http://dx.doi.org/10.4018/IJFSA.2017040102
Sahu, N., Verma, T., Reddy, G. T. (2017). Diabetes classification using fuzzy logic and adaptive cuckoo search optimization techniques. International Journal on Future Revolution in Computer Science & Communication Engineering (IJFRCSCE), 3 (9), 252-255. Recuperado de: http://www.ijfrcsce.org/index.php/ijfrcsce/article/view/253/253
Bressan, G. M., Flamia Azevedo, B. C., Molina de Souza, R. (2020). A Fuzzy Approach for Diabetes Mellitus Type 2 Classification. Brazilian Archives of Biology and Technology, 63, 1-11. doi: https://doi.org/10.1590/1678-4324-2020180742
Pradini, R. S., Previana, C. N., Bachtiar, F. A. (2020). Fuzzy Tsukamoto Membership Function Optimization Using PSO to Predict Diabetes Mellitus Risk Level. Trabajo presentado en 5th International Conference on Sustainable Information Engineering and Technology, New York, United States. doi: https://doi.org/10.1145/3427423.3427451
Zadeh, L. A. (1965). Fuzzy Sets. Information and Control, 8 (3), 338-353. doi: https://doi.org/10.1016/S0019-9958(65)90241-X
Roos, T. J. (2010). Fuzzy Logic with Engineering Applications (3rd Ed.). EUA: John Wiley & Sons.
Jain, V., Raheja, S. (2015). Improving the Prediction Rate of Diabetes using Fuzzy Expert System. International Journal of Information Technology and Computer Science (IJITCS), 7 (10), 84-91. doi: https://doi.org/10.5815/ijitcs.2015.10.10
Martí, R. (2021). Procedimientos Metaheurísticos en Optimización Combinatoria. Departamento de Estadística e Investigación Operativa, Facultad de Matemáticas, Universidad de Valencia. Recuperado de https://www.uv.es/rmarti/paper/docs/heur1.pdf
Yang, X. S. (2014). Nature-Inspired Optimization Algorithms (1st Ed.). EUA: Elsevier. doi: https://doi.org/10.1016/C2013-0-01368-0
Lindström, J., Tuomilehto, J. (2003). The diabetes risk score: a practical tool to predict type 2 diabetes risk. Diabetes Care, 26 (3), 725-731. doi: https://doi.org/10.2337/diacare.26.3.725
Instituto Mexicano del Seguro Social. (2018). Diagnóstico y Tratamiento Farmacológico de la Diabetes Mellitus Tipo 2 en el Primer Nivel de Atención. Catálogo Maestro de Guías de Práctica Clínica. Recuperado de:
http://www.imss.gob.mx/sites/all/statics/guiasclinicas/718GER.pdf
Bravo-Grau, S., Cruz, J. P. (2015). Estudios de exactitud diagnóstica: Herramientas para su Interpretación. Revista Chilena de Radiología, 21 (4), 158-164. doi: https://doi.org/10.4067/S0717-93082015000400007
Ochoa Sangrador, C., Orejas, G. (1999). Epidemiología y metodología científica aplicada a la pediatría (IV): Pruebas diagnósticas. Anales Españoles de Pediatría, 50 (3), 301-314. Recuperado de: https://www.aeped.es/anales/50/3/epidemiologia-y-metodologia-cientifica-aplicada-pediatria-iv-pr
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
