Modelo de aprendizaje automático, para predecir la probabilidad de que una persona desarrolle diabetes mellitus tipo2

Abstract

La presente investigación desarrolla un modelo de aprendizaje automático para predecir la probabilidad de desarrollar Diabetes Mellitus Tipo 2 (DM2), mediante una red neuronal perceptrón multicapa de seis capas implementada en Python. El estudio, de naturaleza aplicada con enfoque cuantitativo-descriptivo, analiza una base de datos de 768 registros médicos, incluyendo 268 casos positivos de DM2. El modelo integra variables críticas como niveles de glucosa, presión arterial, insulina, índice de masa corporal y edad, alcanzando una precisión del 80% en la clasificación de casos potenciales. La implementación utiliza bibliotecas especializadas, principalmente el modelo de red neuronal MLPClassifier (Multi-Layer Perceptron Classifier), junto con Pandas y NumPy para el procesamiento de datos, y una interfaz gráfica desarrollada en Tkinter para facilitar la interacción usuario-sistema. Los resultados identifican como factores más influyentes los niveles elevados de glucosa, edad superior a 21 años, alteraciones en niveles de insulina e IMC elevado, contribuyendo así al campo de la detección temprana de DM2 como herramienta de apoyo para profesionales de la salud, aunque se reconoce la importancia de la validación continua y optimización del sistema para mejorar su precisión predictiva.

This research develops a machine learning model to predict the probability of developing Type 2 Diabetes Mellitus (T2DM), using a six-layer multilayer perceptron neural network implemented in Python. The study, applied in nature with a quantitative-descriptive approach, analyzes a database of 768 medical records, including 268 positive T2DM cases. The model integrates critical variables such as glucose levels, blood pressure, insulin, body mass index, and age, achieving 80% accuracy in classifying potential cases. The implementation utilizes specialized libraries, primarily the MLPClassifier (Multi-Layer Perceptron Classifier) neural network model, along with Pandas

and NumPy for data processing, and a graphical interface developed in Tkinter to facilitate user- system interaction. The results identify elevated glucose levels, age above 21 years, alterations in

insulin levels, and high BMI as the most influential factors, thus contributing to the field of early T2DM detection as a support tool for healthcare professionals, although the importance of continuous validation and system optimization to improve predictive accuracy is acknowledged.