CONSTRUCCIÓN DE UN MODELO DE PREDICCIÓN PARA APOYO AL DIAGNÓSTICO DE DIABETES (CONSTRUCTION OF A PREDICTION MODEL TO SUPPORT THE DIABETES DIAGNOSIS)

Orlando Adrián Chan May, Jimmy Josué Peña Koo, Jean Marie Vianne Kinani, Manuel Abraham Zapata Encalada

Resumen


Resumen

En el presente trabajo se procesaron datos relevantes de 768 pacientes para apoyar en la predicción de diabetes de las personas. Entre las variables consideradas en el estudio se emplearon: glucosa, presión sanguínea, insulina, edad, entre otros, por medio de sistemas de aprendizaje automático y sistemas expertos con aprendizaje supervisado para generar árboles de decisión, así como el análisis de resultados del algoritmo de predicción J48, con las herramientas BigML y Weka, respectivamente. Esta investigación será la base para desarrollar un sistema experto que apoye los diagnósticos de diabetes en comunidades rurales que carezcan de personal médico o equipo.

Palabra(s) Clave: Aprendizaje supervisado, BigML, Machine Learning, Sistema experto, Weka.

 

Abstract

In the present work, relevant data of 768 patients were processed to help the prediction of diabetes in people. Among the variables considered in the study were used: glucose, blood pressure, insulin, age, to name a few, through of machine learning and expert systems with supervised learning to generate decision trees, as well as the analysis of results of prediction algorithm J48, using the BigML and Weka tools, respectively. This research will be the start for developing an expert system that helps diabetes diagnoses in marginalized people that lack doctors or equipment.

Keywords: BigML, Expert system, Machine Learning, Supervised learning, Weka.


Texto completo:

2105-2122 PDF

Referencias


Aguilar, C. y Gómez, F. (2006). Declaración de Acapulco: propuesta para la reducción de la incidencia de la diabetes en México. Revista Investigación clínica. pp. 71-77.

Badaracco, N., Mariño, S. y Alfonzo, P. (2014). Modelización de la asignación de aulas con técnicas simbólicas de la IA como ayuda a la toma de decisiones. Revista electrónica de Estudios telemáticos [Telematique]. Vol. 13.pp. 16-35.

Cantón, R. & Gibaja, D. Development of Injuries Prevention Policies in Mexico: A big Data Approach (2017). International Journal of Interactive Multimedia and Artificial Intelligence. Special Issue on Big Data and e-Health. pp. 35-41.

Casalboni, A. (2015). BigML: Machine Learning made easy. Recuperado de https://cloudacademy.com/blog/bigml-machine-learning

Castillo, E. Gutiérrez, J. y Hadi, A. (2008). Sistemas expertos y modelos de redes probabilísticas.

Dua, D. & Karra, E. (2017). UCI Machine Learning Repository. Irvine, CA: University of California, School of Information and Computer Science. Recuperado de http://archive.ics.uci.edu/ml

Durrant, B., Frank, E., Hunt, L. & Holmes, G. (2018). University of Waikato. Machine Learning Group. Recuperado de http://www.cs.waikato.ac.nz/ml/index.html

Favret, F., Eckert, K., Felten, A. & Sandberg, G. (2018). Determinación de los porcentajes de palo en la yerba mate mediante técnicas de inteligencia artificial. Iberoamerican Journal of Industrial Engineering. Vol. 10, pp. 177-198.

Ferrer Y., Jiménez, K., Arguelles, D., Montes de Oca, A. (2015). Sistema experto para la elección del tipo de recuperación en canteras de materiales de construcción. Universidad de las Ciencias Informáticas. La Habana, Cuba: Ediciones Futuro. pp. 33-48.

Hernández, R., Fernández, C. & Baptista, P. (2010). Metodología de la Investigación. México: Mc Graw Hill.






URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Pistas Educativasa está bajo la Licencia Creative Commons Atribución 3.0 No portada.