Instituto de Estudios Políticos y Derecho Público "Dr. Humberto J. La Roche"
de la Facultad de Ciencias Jurídicas y Políticas de la Universidad del Zulia
Maracaibo, Venezuela
Esta publicación cientíca en formato digital es continuidad de la revista impresa
ISSN-Versión Impresa 0798-1406 / ISSN-Versión on line 2542-3185Depósito legal pp
197402ZU34
ppi 201502ZU4645
Vol.43 N° 82
Enero
Junio
2025
Recibido el 25/12/24 Aceptado el 15/02/25.
ISSN 0798-1406 ~ Depósito legal pp 198502ZU132
Cues tio nes Po lí ti cas
La re vis ta Cues tio nes Po lí ti cas, es una pu bli ca ción aus pi cia da por el Ins ti tu to
de Es tu dios Po lí ti cos y De re cho Pú bli co “Dr. Hum ber to J. La Ro che” (IEPDP) de la Fa-
cul tad de Cien cias Ju rí di cas y Po lí ti cas de la Uni ver si dad del Zu lia.
En tre sus ob je ti vos fi gu ran: con tri buir con el pro gre so cien tí fi co de las Cien cias
Hu ma nas y So cia les, a tra vés de la di vul ga ción de los re sul ta dos lo gra dos por sus in ves-
ti ga do res; es ti mu lar la in ves ti ga ción en es tas áreas del sa ber; y pro pi ciar la pre sen ta-
ción, dis cu sión ycon fron ta cióndelasideas y avan ces cien tí fi coscon com pro mi soso cial.
Cues tio nes Po lí ti cas apa re ce dos ve ces al año y pu bli ca tra ba jos ori gi na les con
avan ces o re sul ta dos de in ves ti ga ción en las áreas de Cien cia Po lí ti ca y De re cho Pú bli-
co, los cua les son so me ti dos a la con si de ra ción de ár bi tros ca li fi ca dos.
ESTA PU BLI CA CIÓN APA RE CE RE SE ÑA DA, EN TRE OTROS ÍN DI CES, EN
:
Re vicyhLUZ, In ter na tio nal Po li ti cal Scien ce Abs tracts, Re vis ta In ter ame ri ca na de
Bi blio gra fía, en el Cen tro La ti no ame ri ca no para el De sa rrol lo (CLAD), en Bi blio-
gra fía So cio Eco nó mi ca de Ve ne zue la de RE DIN SE, In ter na tio nal Bi blio graphy of
Po li ti cal Scien ce, Re vencyt, His pa nic Ame ri can Pe rio di cals In dex/HAPI), Ul ri ch’s
Pe rio di cals Di rec tory, EBS CO. Se en cuen tra acre di ta da al Re gis tro de Pu bli ca cio-
nes Cien tí fi cas y Tec no ló gi cas Ve ne zo la nas del FO NA CIT, La tin dex.
Di rec to ra
L
OIRALITH
M. C
HIRINOS
P
ORTILLO
Co mi té Edi tor
Eduviges Morales Villalobos
Fabiola Tavares Duarte
Ma ría Eu ge nia Soto Hernández
Nila Leal González
Carmen Pérez Baralt
Co mi té Ase sor
Pedro Bracho Grand
J. M. Del ga do Ocan do
José Ce rra da
Ri car do Com bel las
An gel Lom bar di
Die ter Nohlen
Al fre do Ra mos Ji mé nez
Go ran Ther born
Frie drich Welsch
Asis ten tes Ad mi nis tra ti vos
Joan López Urdaneta y Nilda Marín
Re vis ta Cues tio nes Po lí ti cas. Av. Gua ji ra. Uni ver si dad del Zu lia. Nú cleo Hu ma nís ti co. Fa-
cul tad de Cien cias Ju rí di cas y Po lí ti cas. Ins ti tu to de Es tu dios Po lí ti cos y De re cho Pú bli co
“Dr. Hum ber to J. La Ro che”. Ma ra cai bo, Ve ne zue la. E- mail: cues tio nes po li ti cas@gmail.
com ~ loi chi ri nos por til lo@gmail.com. Te le fax: 58- 0261- 4127018.
Vol. 43, Nº 82 (2025), 91-106
IEPDP-Facultad de Ciencias Jurídicas y Políticas - LUZ
Modelos predictivos en la Salud Pública:
El abordaje de la diabetes mediante la
Inteligencia Articial
Pablo Roberto Aparicio-Montenegro *
Manuel Guillermo Narro Andrade **
César Gerardo León-Velarde ***
Guillermo Pastor Morales Romero ****
Silvia Milagros Fernández-Flores *****
Resumen
El artículo tuvo como objetivo desarrollar una aplicación
basada en la inteligencia articial, cuya nalidad es la detección
y atención temprana de la diabetes mellitus tipo 2, una
enfermedad que afecta al 9.3% de los adultos a nivel global.
Metodológicamente, se empleó un enfoque cuantitativo no
experimental, haciendo uso de un conjunto de datos de 800
pacientes, de los que se seleccionaron 160 para entrenar un
modelo predictivo, implementando algoritmos de machine learning, tales
como K-Nearest Neighbors (KNN) y Random Forest (RF), que facilitaron
el análisis de datos clínicos y biométricos. Entre los principales resultados
se destaca que el modelo KNN evidenció una precisión del 95,5%, mientras
que RF demostró un 92.16% de precisión. Asimismo, la regresión logística
alcanzó una precisión del 79,33%. Estos modelos identicaron la glucosa
como el factor predictivo más signicativo, con una correlación de 0.49
respecto a la diabetes. Se concluyó que el uso de modelos de Inteligencia
*Ingeniero Industrial, Maestro en Ingeniería de Sistemas, Especialista en Inteligencia Articial,
Simulación, Ciberseguridad e Investigación, Doctorando en Ingeniería en Sistemas. Profesor e
investigador de la Universidad Nacional Federico Villarreal, Lima, Perú. ORCID ID: https://orcid.
org/0000-0001-6034-9536. Email: paparico@unfv.edu.pe
** Ingeniero de Sistemas Maestro en Administración y Dirección de Empresas, Magister en Ingeniera
de Sistemas, mención en Gerencia de Tecnología de la Información. Profesor e investigador de la
Universidad Nacional Federico Villarreal, Lima, Perú. ORCID ID: https://orcid.org/0000-0001-6762-
2136. Email: mnarro@unfv.edu.pe
*** Licenciado en Educación: Filosofía, Magister en Educación: Medición y Evaluación de la Calidad
Educativa, Magister en Gestión de la Educación, Doctor en Educación. Profesor e investigador de la
Universidad Nacional Federico Villarreal, Lima, Perú. ORCID ID: https://orcid.org/0000-0002-8273-
1995. Email: cleon@unfv.edu.pe
**** Ingeniero en Sistemas, Licenciado en Matemática e Informática, Abogado, Especialista en Auditoria
Informática, Especialista en Educación Básica Alternativa, Magíster en Gestión Educacional, Magíster
en Gestión Pública, Magíster en Ingeniería de Sistemas, Doctor en Ciencias de la Educación. Profesor
e investigador de la Universidad Nacional de Educación Enrique Guzmán y Valle, Lima, Perú. ORCID
ID: https://orcid.org/0000-0002-5686-7661. Email: gmorales@une.edu.pe
***** Ingeniera en Computación e Informática, Magíster en Educación: Docencia Virtual, Doctoranda en
Educación. Docente e investigadora de la Universidad de San Martín de Porres, Lima, Perú. ORCID ID:
https://orcid.org/0000-0002-0626-9647. Email: sfernandez@usmpvirtual.edu.pe
92
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
Articial constituye una forma ecaz, accesible, no intrusiva y económica
para facilitar la detección y atención temprana de la diabetes, mejorando
la calidad en la atención personalizada, demostrando los benecios que se
pueden alcanzar en materia de salud pública.
Palabras clave: diabetes; inteligencia articial; salud pública; machine
learning; deep learning.
Predictive Models in Public Health: The
Approach to Diabetes using Articial Intelligence
Abstract
This paper aimed to develop an application based on articial
intelligence, whose purpose is the early detection and care of type 2 diabetes
mellitus, a disease that aects 9.3% of adults globally. Methodologically, a
non-experimental quantitative approach was used, making use of a dataset
of 800 patients, from which 160 were selected to train a predictive model,
implementing machine learning algorithms, such as K-Nearest Neighbors
(KNN) and Random Forest (RF), which facilitated the analysis of clinical
and biometric data. Among the main results, the KNN model showed an
accuracy of 95.5%, while RF showed 92.16% accuracy. Likewise, logistic
regression achieved an accuracy of 79.33%. These models identied glucose
as the most signicant predictor, with a correlation of 0.49 with respect to
diabetes. It was concluded that the use of Articial Intelligence models
constitutes an eective, accessible, non-intrusive and economical way to
facilitate early detection and care of diabetes, improving the quality of
personalized care, demonstrating the public health benets that can be
achieved.
Keywords: diabetes; articial intelligence; public health; machine
learning; deep learning.
Introducción
La diabetes es una enfermedad crónica que afecta a una gran cantidad
de personas a nivel mundial durante un periodo prolongado de tiempo
(Ong et al., 2023). Además, se identica por la existencia de altos niveles de
glucosa, lo que puede provocar una serie de complicaciones graves, como
enfermedades cardíacas, problemas renales, daño a los nervios y ceguera.
(Morelli et al., 2023). En este contexto, la diabetes mellitus tipo 2 (DM2)
93
CUESTIONES POLÍTICAS
Vol. 43 Nº 82 (2025): 91-106
es una de las principales causas de mortalidad en el mundo y su detección
temprana es clave para la prevención de complicaciones. La Organización
Mundial de la Salud (OMS) estima que el número de personas con diabetes
ha aumentado drásticamente en las últimas décadas, lo que plantea la
necesidad de métodos más efectivos para su detección y manejo (Ahmad
et al., 2023).
Según datos estadísticos ofrecidos por la International Diabetes
Federation (IDF, 2021), para el año 2021 existían al menos 537 millones de
personas, en edades de entre 20 a 79 años que padecían de esta enfermedad,
representando al 9.3% de adultos en edades comprendidas de 20 a 79 años
(Morelli et al., 2023). Esto representa el 9.3% de la población mundial en
este grupo de edad y se prevé un crecimiento a 643 Millones de personas
diabéticas a nivel mundial para el año 2030 y 783 millones para el año 2045.
Al respecto, Zarora & Simmons (2023) arman que la DM2 es responsable
del 90% de la totalidad de los casos de diabetes.
Como puede apreciarse, la incidencia de diabetes sigue aumentando,
aunque se han logrado progresos en cuanto a su tratamiento y prevención
(Valabhji et al., 2022). Por esta razón, detectar tempranamente el riesgo de
desarrollar diabetes es fundamental para prevenir y tratar la enfermedad de
manera efectiva. En la actualidad, existen varias herramientas y exámenes
médicos que se usan para estimar su riesgo en personas, como la prueba de
aceptación a la glucosa, la prueba de hemoglobina A1C y medición del índice
de masa corporal (Davidson et al., 2021). Sin embargo, estas herramientas
pueden resultar costosas, intrusivas y no se encuentran disponibles en
todos los espacios de la salud pública.
En virtud de lo anterior, el artículo propone el diseño de una aplicación
basada en inteligencia articial, cuya nalidad consiste en facilitar la
detección temprana de la diabetes en personas con factores de riesgo. La
aplicación utiliza un modelo predictivo avanzado que integra datos sobre
el historial familiar de diabetes, el índice de masa corporal, edad, actividad
física y otros factores de riesgo. Asimismo, combina estos factores para
generar una predicción con alto porcentaje de conabilidad sobre el riesgo
de desarrollar diabetes en un individuo.
Esta aplicación es una herramienta valiosa para los profesionales de la
salud, así como para las personas interesadas en su propio bienestar. Con
su facilidad de uso y accesibilidad, permite a las personas monitorear su
riesgo de desarrollar diabetes y tomar medidas preventivas tempranamente.
Además, puede resultar beneciosa para auxiliar a los expertos de la salud
en la detección de individuos con mayor probabilidad de desarrollar la
enfermedad y ofrecerles intervenciones preventivas personalizadas.
94
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
1. Fundamentos teóricos
La diabetes mellitus, particularmente la DM2, se constituye como una
de las enfermedades crónicas con mayor incidencia negativa a lo largo del
mundo, teniendo un impacto drástico sobre la salud pública. Organismos
internacionales como la Organización Mundial de la Salud, indican que el
número de personas que padecen esta patología se ha venido aumentando
considerablemente en las últimas décadas, lo que ha derivado en la
investigación de distintos métodos para su manejo y detección (Kodama et
al., 2022),
En este contexto, la inteligencia articial (IA) se presenta como
una herramienta, que puede servir para mejorar predecir y ofrecer un
tratamiento efectivo para esta enfermedad. De acuerdo con Gautier et
al. (2021), la inteligencia articial ha tenido un impacto signicativo
en la vida humana, gracias a la disponibilidad de diversas plataformas
médicas y métodos computacionales basados en machine learning (ML)
y deep learning (DL), con un enfoque especíco para desarrollar modelos
predictivos y herramientas impulsadas por la inteligencia articial,
destinadas a la detección de enfermedades (Gupta et al., 2022).
La técnica de machine learning se destaca como una herramienta
ampliamente utilizada, permitiendo a los sistemas inteligentes construir
modelos apropiados mediante el aprendizaje y la identicación de patrones
en los datos (Sonko et al., 2023). Para ello, resulta fundamental disponer de
conjuntos de datos adecuados destinados al entrenamiento y la validación.
Empero, aunque el machine learning y el deep learning han demostrado
ser herramientas versátiles y efectivas en la detección y manejo de esta
patología, resulta imprescindible destacar que cada una de estas técnicas
se encuentra sujeta a sus propios alcances. El machine learning es
signicativamente útil para la detección de patrones de conjuntos y datos
estructurados, mientras que el deep learning se especializa en el análisis de
datos no estructurados, como los ofrecidos en imagenología.
Según Ahmed et al. (2022), la complementariedad de estas técnicas ha
impulsado la creación de modelos predictivos más precisos para atender
distintas enfermedades, incluyendo la DM2. En este contexto, se presenta
como un enfoque innovador basado en el promedio ponderado (Nuankaew
et al., 2021). Asimismo, se han observado resultados más prometedores en
otras aplicaciones al combinar varias técnicas de machine learning, donde
la inclusión de la lógica difusa ha destacado como un método constructivo
(Ahmed et al., 2022).
Morales-Martínez et al. (2020), indican que el uso de herramientas
cognitivas electrónicas permite evaluar el estado del conocimiento médico
en pacientes, facilitando la identicación de dicultades en la estructuración
95
CUESTIONES POLÍTICAS
Vol. 43 Nº 82 (2025): 91-106
y consolidación de la información anatómica. En el campo de la medicina, la
inteligencia articial ha tenido un gran impacto en las personas; por ello, se
han desarrollado diversas plataformas médicas y métodos computacionales
basados en machine learning y deep learning
En este contexto, el machine learning es una técnica ampliamente
utilizada para construir modelos inteligentes mediante la extracción de
patrones en los datos. El uso de conjuntos de datos apropiados y técnicas
de machine learning, como la lógica difusa, ha demostrado resultados
prometedores en la predicción de la DM2 (Nuankaew et al., 2021 y Ahmed
et al., 2022).
De acuerdo con Yelsin & Malpartida (2022), la diabetes representa una
seria amenaza para la salud pública, debido a la elevada concentración de
glucosa en el organismo humano. Por lo tanto, un diagnóstico temprano
desempeña un papel esencial en el tratamiento y la prevención de las
complicaciones asociadas. Raali y Mohd Asraf (2023), destacan la
relevancia de la adopción de un estilo de vida saludable, que incluye una
dieta equilibrada y la actividad física, como medidas esenciales para prevenir
la DM2, especialmente entre los jóvenes, debido al aumento alarmante de
la obesidad infantil. Estos posicionamientos teóricos son compartidos por
Ramírez et al. (2019), quienes subrayan que la diabetes, combinada con la
obesidad, conocida como «diabesidad», representa un problema estructural
en la población latina, siendo necesario implementar estrategias educativas
y culturalmente relevantes para abordar estos problemas.
En cuanto a los modelos los modelos predictivos de la inteligencia
articial se utilizan en diversas áreas para prever resultados futuros,
optimizar procesos, y tomar decisiones informadas. Son especialmente
útiles cuando se cuenta con grandes volúmenes de datos y patrones
complejos que no son evidentes para los métodos tradicionales de análisis
(Aldoseri et al., 2023). Entre ellos se consideran:
• KNN (vecinos más cercanos): El modelo K-Nearest Neighbors
(KNN) es un método de aprendizaje supervisado que clasica datos
basándose en la similitud con sus “k” vecinos más cercanos, siendo
particularmente útil en problemas de clasicación y regresión
donde no se tiene un modelo paramétrico claro. Esta técnica es
ampliamente utilizada en aplicaciones como reconocimiento de
patrones y diagnóstico médico debido a su simplicidad y eciencia
(Li et al., 2020).
• RF (Random Forest): se dene como un conjunto de árboles
de decisión que se utiliza tanto para problemas de clasicación
como de regresión. Este algoritmo combina las predicciones
de múltiples árboles para mejorar la precisión y controlar el
sobreajuste, manejando datasets de tamaño pequeño a mediano y
96
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
proporcionando soluciones efectivas en diversos contextos, como la
identicación de objetos y la evaluación de riesgos crediticios.
• LR (Logistic Regressiom): se concibe como un método
estadístico ampliamente utilizado para predecir resultados binarios,
En el contexto de la inteligencia articial, LR permite modelar la
relación entre una variable dependiente binaria y una o más variables
independientes mediante el cálculo de probabilidades. Este modelo
es especialmente relevante para predicciones de diagnóstico, donde
su optimización y precisión son clave para mejorar las decisiones
clínicas (Boateng & Abaye, 2019) .
Además de los modelos antes citados, otras técnicas de la inteligencia
articial han sido útiles para la predicción de la diabetes, como el uso de
neuronas convolucionales para el tratamiento de la retinopatía diabética,
puesto que estas redes detectan patrones en las imágenes que pueden ser
signos distintivos de la enfermedad, lo que brinda la posibilidad de un
diagnóstico temprano y asertivo.
En este orden de ideas, Hennebelle et al. (2023) propusieron
“HealthEdge”, un marco de atención médica inteligente basado en machine
learning para la predicción de la DM2, integrando sistemas de IoT, edge
y cloud computing. Este enfoque demostró una precisión superior en
comparación con métodos tradicionales, destacando la ecacia del Random
Forest (RF) sobre la Regresión Logística (LR).
Asimismo, Mohsen et al. (2023) realizaron una revisión exhaustiva de
modelos basados en la inteligencia articial para la predicción del riesgo
de DM2, señalando que los modelos multimodales que integran múltiples
fuentes de datos superan en rendimiento a los unimodales. En este contexto,
el uso de la inteligencia articial y el machine learning ha adquirido
relevancia, pues estos modelos pueden analizar grandes volúmenes de
datos y predecir con precisión el riesgo de desarrollar DM2 (Kopitar et al.,
2023). A esto se suma la posibilidad de identicar patrones ocultos en los
datos clínicos y biométricos, proporcionando herramientas más precisas y
accesibles para la detección de esta enfermedad (Deberneh & Kim, 2023).
De igual forma, Kopitar et al. (2023) desarrollaron modelos basados
en deep learning, los cuales demostraron un desempeño superior en
comparación con métodos tradicionales. Además, Deberneh y Kim (2023)
implementaron una arquitectura de redes neuronales para la clasicación
de pacientes con alto riesgo de DM2, alcanzando una precisión superior al
90 %.
En otro estudio, Ahmad et al. (2023) utilizaron árboles de decisión y
Random Forest (RF), logrando identicar factores de riesgo clave como el
índice de masa corporal (IMC), los niveles de glucosa y la presión arterial.
Estas investigaciones destacan el potencial de la IA para mejorar la precisión
y rapidez en el diagnóstico de DM2.
97
CUESTIONES POLÍTICAS
Vol. 43 Nº 82 (2025): 91-106
Como puede apreciarse, el avance de la inteligencia articial en la salud
pública ha permitido la integración de modelos predictivos con sistemas
de Internet de las Cosas (IoT) y computación en la nube. Hennebelle et al.
(2023) propusieron el marco “HealthEdge”, un sistema inteligente basado
en machine learning que combina IoT y edge computing para la detección
de DM2 en tiempo real. Este enfoque permite una recopilación eciente de
datos desde dispositivos médicos portátiles, los cuales son procesados de
manera inmediata, optimizando la toma de decisiones clínicas.
Por otro lado, la combinación de deep learning con análisis de
imágenes médicas, mejora la detección de señales tempranas de DM2 en
pruebas oftalmológicas y resonancias magnéticas (Kowsher et al., 2023).
A pesar de estos avances, existen desafíos en la implementación clínica
de estos modelos. La calidad y disponibilidad de los datos clínicos, la
interoperabilidad entre sistemas y la interpretabilidad de los modelos de IA
siguen siendo aspectos críticos (Mosquera et al., 2023).
Sin embargo, se ha demostrado que la combinación de múltiples
algoritmos de machine learning puede mejorar signicativamente la
precisión diagnóstica, reduciendo el margen de error en la clasicación de
pacientes (Hoyos et al., 2023). En este sentido, la integración de IA en la
atención médica no solo facilita la detección temprana de DM2, sino que
también optimiza la asignación de recursos al sector de la salud pública,
mejorando la calidad de vida de los pacientes, fomentando un enfoque
participativo entre investigadores, médicos, tecnólogos, instituciones
públicas, privadas y el Estado.
2. Materiales y métodos
La investigación es de enfoque cuantitativo, puesto que se caracteriza
por el análisis de datos cuanticables para obtener conclusiones sobre la
precisión y rendimiento de un modelo predictivo. Este enfoque posibilita
medir de manera objetiva el funcionamiento del modelo a través de métricas
exactas, precisas y especícas. Asimismo, es de naturaleza no experimental,
debido a que no se manipulan variables en los sujetos ni se interviene para
observar sus efectos en los resultados, sino que se validan en el rendimiento
de un modelo con datos preexistentes (Fang et al., 2020). Dicho modelo
es adecuado para estudios que procuran evaluar la ecacia de modelos
predictivos sin alterar los datos. Por lo tanto, la investigación es de corte
transversal, validada en el modelo de predicción basado en IA en un solo
conjunto de datos en un momento puntual
Abarca un enfoque nacional como internacional, integrando el análisis
de datos clínicos y biomédicos de pacientes diagnosticados con diabetes y de
aquellos sin dicha condición. Los datos considerados han sido recolectados
98
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
durante los últimos siete años, proporcionando una base sólida y diversa
para el desarrollo y la validación de modelos predictivos de inteligencia
articial.
El universo de estudio de esta investigación está constituido por datos
clínicos y biométricos de diabetes recopilados de 800 pacientes. Estos
datos se obtuvieron de un dataset disponible públicamente en Kaggle,
una plataforma reconocida por compartir datos cientícos para uso de
investigadores. La muestra corresponde al 20% del total equivalente a
160 datos clínicos y biométricos que se utilizaran para el entrenamiento
del modelo. El tamaño de la muestra obedece a prácticas comunes en el
machine learning, donde es recomendable reservar 20% o 30% de los datos
para validar las pruebas. Por ende, la evaluación del modelo se llevará a
cabo con los datos de 7 pacientes, que fueron seleccionados para determinar
la precisión en la predicción.
La unidad de análisis de este estudio son los datos clínicos y biomédicos
de pacientes con y sin diagnóstico de diabetes. Estos datos incluyen variables
como edad, género, antecedentes familiares de diabetes, nivel de glucosa,
presión arterial, índice de masa corporal (IMC), entre otros factores de
riesgo y características relevantes para la predicción de diabetes.
Para el preprocesamiento de la data, limpieza, entrenamiento,
validación y evaluación del modelo propuesto se utilizó Python®3.8, con
las librerías Pandas, NumPy y Plotly, y la aplicación web Jupyter Notebook
para la codicación del modelo. Como técnica de análisis, se utilizó el
análisis documental y como instrumento la cha de registros digital para
la recolección de datos. Asimismo, se emplea la técnica de observación
directa con el objetivo de analizar los datos y proporcionar la interpretación
proporcionada por el sistema
En cuanto a su procedimiento, la investigación hará uso de la deep
learning para la generación de un modelo que sirva para ser utilizado en la
predicción de la diabetes, considerando los siguientes elementos:
• Importación de librerías basadas en IA
• Recopilación de datos
• Describir y resumir los datos.
• Depuración de datos
• División de la data para entrenamiento y pruebas.
• Escalado
• Creación del Modelo para la predicción de la diabetes
• Generar un servicio Web Service usando Base datos MySQL
• Implementar el modelo en una aplicación móvil
99
CUESTIONES POLÍTICAS
Vol. 43 Nº 82 (2025): 91-106
Considerando lo anterior, se destaca la urgencia de contar con un
método de diagnóstico de la diabetes que sea fácil y rápido. Evaluar el
impacto de los modelos de machine learning seleccionados utilizando
atributos médicos se vuelve esencial. En este contexto, se han desarrollado
y probado 13 métodos de machine learning, que incluyen modelos clásicos,
redes neuronales y modelos, con el objetivo de predecir la diabetes.
Los datos utilizados fueron recopilados en el Policlínico Leo SAC de San
Juan de Lurigancho. La evaluación de los modelos predictivos se realizó
mediante métricas como la exactitud, precisión y especicidad, tanto en el
conjunto de datos de entrenamiento como en el de prueba.
3. Resultados y discusión
Los análisis realizados con el modelo K-Nearest Neighbors (KNN)
arrojaron una precisión del 95.5 %, conrmando su efectividad en la
identicación de patrones asociados al riesgo de diabetes. Este resultado
destaca la importancia de utilizar algoritmos basados en similitudes,
especialmente en conjuntos de datos clínicos complejos.
Estudios recientes han respaldado estas observaciones, señalando que
los modelos de machine learning como KNN pueden superar a métodos
tradicionales al identicar características no lineales en los datos (Silva,
Martins, & Sampaio, 2023). Asimismo, la precisión del modelo Random
Forest (RF), con un 92.16 %, demuestra su capacidad para manejar datos
diversos, lo que lo convierte en una herramienta robusta para la predicción
médica (Ahmed et al., 2022).
Por otro lado, el modelo de regresión logística (LR) obtuvo una
precisión del 79.33 %, lo que, aunque menor en comparación con KNN y
RF, rearma su utilidad en el análisis de relaciones lineales entre variables
predictivas. Este hallazgo coincide con investigaciones previas que
destacan la aplicación de LR en la identicación de factores de riesgo clave
para enfermedades crónicas, como la diabetes (Boateng & Abaye, 2019).
No obstante, su desempeño limitado frente a algoritmos más avanzados
subraya la necesidad de optimizar su implementación en aplicaciones
predictivas complejas.
El análisis de las variables predictivas demostró que la glucosa es el
factor de mayor incidencia en el desarrollo de diabetes, con una correlación
signicativa de 0.49 respecto al resultado clínico. Este hallazgo refuerza
la importancia de incluir esta variable como un componente esencial en
modelos predictivos. Investigaciones recientes han identicado el índice
de masa corporal (IMC) y la presión arterial como factores secundarios
importantes, sugiriendo un enfoque multimodal para aumentar la
100
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
precisión diagnóstica (Hennebelle, Materwala, & Ismail, 2023). Además, la
integración de tecnologías de IoT y edge computing ha demostrado mejorar
la recolección y procesamiento de datos en tiempo real, optimizando la
precisión de los modelos predictivos (Kopitar et al., 2023).
Desde una perspectiva práctica, la implementación de esta herramienta
basada en inteligencia articial no solo facilita la predicción temprana de
la diabetes, sino que también representa un avance en la accesibilidad y
personalización de la atención médica. La combinación de algoritmos
como KNN y RF, junto con sistemas inteligentes, permite intervenciones
preventivas más efectivas, reduciendo los costos y mejorando la calidad de
vida de los pacientes. Estos resultados conrman el potencial de la IA en la
medicina preventiva y abren nuevas oportunidades para su aplicación en
otros campos clínicos (Deberneh & Kim, 2023).
Utilizando la función Seaborn, que permite crear grácos estadísticos,
facilitando la visualización de patrones, relaciones y distribuciones en
datos de salud, como el nivel de glucosa, el índice de masa corporal (IMC)
y la presión arterial, que son variables predictivas comunes en modelos de
diagnóstico de diabetes (Silva et al., 2023), se muestran las combinaciones
de los datos. El color naranja representa a las personas que tienen diabetes
y el color azul a las personas que no tienen diabetes, lo que indica que
el parámetro principal es la glucosa, teniendo mayor incidencia en la
predicción de la diabetes.
Imagen 1. Mapa de correlación de variables
Fuente: elaboración propia (2025).
101
CUESTIONES POLÍTICAS
Vol. 43 Nº 82 (2025): 91-106
La matriz de heatmap (o mapa de calor) es una representación visual
de datos que muestra valores en una matriz o tabla de manera que las
diferencias en los valores se indican mediante variaciones de color. En
un contexto de análisis de datos, los heatmaps se utilizan para visualizar
la correlación entre variables, observar patrones y detectar relaciones en
grandes volúmenes de datos de manera rápida e intuitiva, se observa alta
correlación en la variable objetivo: Outocome y la variable Glucosa con un
valor de 0.49
Imagen 2. Correlación de variables.
O9
Fuente: elaboración propia (2025).
Los resultados demuestran que, al aplicar algoritmos de clasicación,
como K-Nearest Neighbors (KNN), Random Forest (RF) y Logistic
Regression (LR), se pueden alcanzar precisiones signicativas en la
predicción de la diabetes, lo cual valida la utilidad de estos modelos en el
contexto clínico.
El modelo KNN mostró la mayor precisión con un 95.50%, seguido
de RF con un 92.16%, lo que sugiere que estos algoritmos, al ser menos
propensos al sobreajuste y al aprovechar la variabilidad en los datos,
102
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
son particularmente útiles en la identicación de patrones complejos en
conjuntos de datos clínicos. La precisión menor obtenida en el modelo
LR (79.33%) puede deberse a su naturaleza estadística lineal, que puede
limitar su capacidad para capturar relaciones no lineales presentes en datos
biomédicos.
Un hallazgo relevante es la importancia de la variable de glucosa, que
muestra una correlación alta con el riesgo de desarrollar diabetes, según el
análisis de correlación en el heatmap. Esto coincide con estudios previos,
que destacan a la glucosa como un factor crítico en modelos predictivos
de diabetes, reforzando la relevancia de utilizar esta variable en futuras
aplicaciones para una mayor precisión y sensibilidad en el diagnóstico.
Desde una perspectiva práctica, la aplicación propuesta contribuye
a la accesibilidad en la evaluación del riesgo de diabetes, brindando a
pacientes y profesionales de la salud una herramienta preventiva con un
bajo costo y de fácil implementación. Además, esta solución tecnológica
permite intervenciones tempranas y personalizadas en personas en riesgo,
reduciendo el potencial impacto de la diabetes en su calidad de vida y la
carga económica en el sistema de salud pública.
Conclusiones
La investigación ha implementado un modelo de inteligencia articial
para la predicción y atención temprana de DM2. Los resultados demuestran
su viabilidad y precisión, con un rendimiento notorio del 95,50% en el modelo
en el modelo K-Nearest Neighbors (KNN) y del 92.16% en Random Forest
(RF), lo que deja en claro que el uso de algoritmos e inteligencia articial
constituyen alternativas superiores frente a las técnicas tradicionales de
diagnóstico, con el añadido de ser económicas, no invasivas y de fácil acceso.
En este contexto, la glucosa fue señalada como el factor predictivo
más importante, denotando su relevancia para la construcción de los
modelos diagnósticos, basados en la prevención, reducción de riesgos y
atención temprana de los pacientes. Por este motivo, puede armarse que
la integración de la inteligencia articial al tratamiento y diagnóstico de
la DM2 es un avance revolucionario en lo que se concibe como medicina
preventiva, conduciendo a oportunidades para su aplicación y manejo en
el campo de la salud pública y en la atención de distintas enfermedades
crónicas, fomentando el avance de la ciencia, así como el desarrollo de
tecnologías clínicas ecientes y personalizadas.
En virtud de lo anterior, se recomienda la ampliación de bases de
datos, incluyendo registro de pacientes provenientes de distintas latitudes
geográcas y de entornos culturales diversos, lo que contribuiría a fortalecer
103
CUESTIONES POLÍTICAS
Vol. 43 Nº 82 (2025): 91-106
la generalización que ofrecen los modelos predictivos, siendo aplicados
a poblaciones heterogéneas. Por ello, es pertinente validar los distintos
modelos en instituciones sanitarias diferentes, utilizando el entrenamiento
para que los resultados sean precisos y ecientes, comparándose
permanentemente con herramientas existentes en el mercado, identicando
sus alcances, costos y soluciones que ofrecen en el tratamiento de la DM2.
Finalmente, se vislumbra que la aplicación de técnicas provenientes
del machine learning, deep learning y de las neuronales convolucionales,
revolucionará la atención médica, mejorando la precisión en el diagnóstico
y tratamiento de enfermedades. Ello requiere de la capacitación constante
de los profesionales de la salud en el uso de distintas aplicaciones de la
inteligencia articial, impulsando su uso continuo en la práctica médica.
Referencias bibliográcas
AHMED, Usama; ISSA, Ghassan F; KHAN, Muhammad; AFTAB, Shabib;
KHAN, Muhammad; SAID, Raed; GHAZAL, Taher; AHMAD, Munir.
2022. “Prediction of Diabetes Empowered with Fused Machine
Learning” En: IEEE Access. No. 10, pp. 8529–8538. Disponible en línea.
En: https://doi.org/10.1109/ACCESS.2022.3142097. Fecha de consulta:
10 de octubre de 2024.
ALDOSERI, Abdulaziz; AL-KHALIFA, Khalifa; HAMOUDA, Abdel. 2023. “Re-
thinking data strategy and integration for articial intelligence: Concepts,
opportunities, and challenges” En: Applied Sciences. Vol. 13, No. 12, pp.
7082. Disponible en línea. En: https://doi.org/10.3390/app13127082.
Fecha de consulta: 22 de octubre de 2024.
BOATENG, Ernest; ABAYE, Daniel. 2019. “A review of the logistic regression
model with emphasis on medical research” En: Journal of Data Analysis
and Information Processing. Vol. 7, No. 4, pp. 193-204. Disponible en
línea. En: https://doi.org/10.4236/jdaip.2019.74012. Fecha de consulta:
22 de diciembre de 2024.
DAVIDSON, K. W., BARRY, M. J., MANGIONE, C. M., CABANA, M.,
CAUGHEY, A. B., DAVIS, E. M., & WONG, J. B. 2021. “Screening for
Prediabetes and Type 2 Diabetes: US Preventive Services Task Force
Recommendation Statement!” En: JAMA. Vol. 326, No. 8, pp. 736–743.
Disponible en línea. En: https://doi.org/10.1001/jama.2021.12538.
Fecha de consulta: 22 de diciembre de 2024.
DEBERNEH, Henock; KIM, Intaek. 2023. “Prediction of Type 2 Diabetes
Based on Machine Learning Algorithm in the Internet of Medical Things
Environment” En: National Library of Medicine. Disponible en línea.
104
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
En: https://pubmed.ncbi.nlm.nih.gov/33806973/. Fecha de consulta:
22 de diciembre de 2024.
FANG, Conglong; GAI, Qingen; HE, Chaofei; SHI, Qinghua. 2020. “The
Experience of Poverty Reduction in Rural China” En: SAGE Open.
Disponible en línea. En: https://doi.org/10.1177/2158244020982288.
Fecha de consulta: 22 de diciembre de 2024.
GAUTIER, Thibault; ZIEGLER, Leah B; GERBER, Matthew; CAMPOS-NÁÑEZ,
Enrique; PATEK, Stephen. 2021. “Articial intelligence and diabetes
technology: A review”. En: Metabolism: Clinical and Experimental. Vol.
124. W.B. Saunders. Disponible en línea. En: https://doi.org/10.1016/j.
metabol.2021.154872. Fecha de consulta: 25 de diciembre de 2024.
GUPTA, Meenu; KUMAR, Rakesh; AHMED, Shakeel; PRIYADARSHAN,
Prasuryya; SHARMA, Aditya. 2022. Low Latency Packet Delivery
for SOHO “Infrastructure. Proceedings of 2022 2nd Inte rnational”
En: Conference on Computing and Information Technology, ICCIT
2022, 65–68. Disponible en línea. En: https://ieeexplore.ieee.org/
document/9711632. Fecha de consulta: 14 de noviembre de 2024.
HENNEBELLE, Alain; MATERWALA, Huned; ISMAIL, Leila. 2023.
“HealthEdge: A Machine Learning-Based Smart Healthcare Framework
for Prediction of Type 2 Diabetes in an Integrated IoT, Edge, and
Cloud Computing System” En: Procedia Computer Science. Vol.
220, pp. 331-338. Disponible en línea. En: https://doi.org/10.1016/j.
procs.2023.03.043. Fecha de consulta: 15 de marzo de 2024.
HOYOS, William; HOYOS, Kenia; RUIZ-PÉREZ, Rander. 2023. “Modelo
de inteligencia articial para la detección temprana de diabetes” En:
Biomédica. Vol. 43(Suppl 3), pp. 110-125. Disponible en línea. En:
https://doi.org/10.1186/s12902-023-01316-7. Fecha de consulta: 19 de
diciembre de 2024.
INTERNATIONAL DIABETES FEDERATION. 2021. International Diabetes
Federation’s Guide for Diabetes Epidemiologcial Studies. Disponible en
línea. En: https://www.diabetesresearchclinicalpractice.com/article/
S0168-8227(20)30887-1/fulltext. Fecha de consulta: 15 de enero de
2025.
KODAMA, Satoru; FUJIHARA, Kazuya; HORIKAWA, Chika; KITAZAWA,
Masaru; IWANAGA, Midori; KATO, Kiminori; WATANABE, Kenichi;
NAKAGAWA, Yoshimi; MATSUZAKA, Takashi; SHIMANO, Hitoshi;
SONE, Hirohito. 2022. “Predictive ability of current machine learning
algorithms for type 2 diabetes mellitus: A meta-analysis” En: Journal of
Diabetes Investigation. Vol. 13, No. 5, pp. 900-908. Disponible en línea.
105
CUESTIONES POLÍTICAS
Vol. 43 Nº 82 (2025): 91-106
En: https://doi.org/10.1111/jdi.13736. Fecha de consulta: 15 de enero de
2025.
KOPITAR, L., FORTUNA, T; GORO, M. 2023. “Deep Learning-Based Predictive
Models for Early Detection of Type 2 Diabetes Mellitus” Disponible en
línea. En: https://doi.org/10.1093/biomed/bmy120.
KOWSHER, MD; TURABA, Mahbuba; SAJED, Tanvir; RAHMAN, M. M. M.
2023. “Prognosis and Treatment Prediction of Type-2 Diabetes Using
Deep Neural Network and Machine Learning Classiers” En: Cornell
University. Disponible en línea. En: https://arxiv.org/abs/2301.03093.
Fecha de consulta: 15 de diciembre de 2024.
MALPARTIDA, Jaime. 2022. “Predicción de diabetes mellitus tipo 2 utilizando
atributos médicos del Policlínico Leo SAC de San Juan de Lurigancho
mediante el enfoque de Machine Learning” En: Revista Cientíca. Vol.
2, No. 4, pp. 1-19.
MOHSEN, Farida; AL-ABSI, Hamada R. H; YOUSRI, Noha A; EL HAJJ,
Nady; SHAH, Zubair. 2023. “Articial Intelligence-Based Methods for
Precision Medicine: Diabetes Risk Prediction” En: Cornell University.
Disponible en línea. En: https://doi.org/10.48550/arXiv.2305.16346.
Fecha de consulta: 10 de octubre de 2024.
MORALES-MARTÍNEZ, Guadalupe; ÁNGELES CASTELLANOS, Alberto;
IBARRA, Víctor; MANCERA, Magaly. 2020. “Herramientas cognitivas
electrónicas para diagnosticar el estado del conocimiento médico en
estudiantes matriculados en una carrera” En: Revista Internacional de
Aprendizaje, Enseñanza e Investigación Educativa. Vol. 19, No. 9, pp. 341-
362. Disponible en línea. En: https://doi.org/10.26803/ijlter.19.9.18.
Fecha de consulta: 14 de enero de 2025.
MORELLI, Daniela; RUBINSTEIN, Fernando; SANTERO, Marilina; GIBBONS,
Luz; MOYANO, Daniela; NEJAMIS, Analia; BERATARRECHEA,
Andrea. 2023. “Eectiveness of a diabetes program based on digital health
on capacity building and quality of care in type 2 diabetes: a pragmatic
quasi-diexperimental study” En: BMC Health Services Research. Vol.
23, No. 1. Disponible en línea. En: https://doi.org/10.1186/s12913-023-
09082-7. Fecha de consulta: 14 de enero de 2025.
MOSQUERA, Guillermo; HERRERÍA, Julio; BONILLA, Vladimir; SÁNCHEZ,
Miguel; ANDRADE, Cristina. 2023. “Prediagnóstico Médico de la
Diabetes Mellitus tipo 2 mediante Machine Learning” En: Revista
Innovación Digital Y Desarrollo Sostenible – IDS. Vol. 3, No. 2, pp. 65-
69. Disponible en línea. En: https://revistas.iudigital.edu.co/index.php/
ids/article/view/114. Fecha de consulta: 12 de enero de 2025.
106
Pablo Aparicio M., Manuel Narro A., César León V., Guillermo Morales R. y Silvia Fernández F.
Modelos predictivos en la Salud Pública: El abordaje de la diabetes mediante la Inteligencia Articial
NUANKAEW, Pratya; CHAISING, Supansa; TEMDEE, Punnarumol. 2021.
“Average Weighted Objective Distance- Based Method for Type 2
Diabetes Prediction” En: IEEE Access. S, pp. 137015–137028. Disponible
en línea. En: https://doi.org/10.1109/ACCESS.2021.3117269. Fecha de
consulta: 15 de septiembre de 2024.
ONG, K. L; STAFFORD, L. K; MCLAUGHLIN, S. A; BOYKO, E. J; VOLLSET,
S. E; SMITH, A. E; DALTON, B. E; ET AL. 2023. “Global, regional,
and national burden of diabetes from 1990 to 2021, with projections
of prevalence to 2050: A systematic analysis for the Global Burden of
Disease Study 2021” En: The Lancet Diabetes & Endocrinology. Vol. 11,
No. 5, pp. 420-430. Disponible en línea: https://doi.org/10.1016/S2213-
8587(23)00152-9. Fecha de consulta: 15 de septiembre de 2024.
RAFFALI, Ana; MOHD ASRAF, Ratnawati. 2023.” Fomentar los principios
de mentalidad de crecimiento en la prevención de la diabetes tipo 2
mediante un juego narrativo” En: Revista Internacional de Aprendizaje,
Enseñanza e Investigación Educativa. Vol. 22, No. 2, pp. 244-261.
Disponible en: https://doi.org/10.26803/ijlter.22.2.14. Fecha de
consulta: 25 de septiembre de 2024.
RAMÍREZ, O; CARRANZA-ALVAREZ, A; MCCOLLOUGH, C. 2019.
“Diabesidad entre los latinos: Una actividad matemática culturalmente
relevante” En: Revista Internacional de Aprendizaje, Enseñanza e
Investigación Educativa. Vol. 18, No. 4, 63-84.
SONKO, Salleh; LAMYA, Fathima; ALZUBAIDI, Mahmood; SHAH, Hurmat;
ALAM, Tanvir; SHAH, Zubair; HOUSEH, Mowafa. 2023. “Predicting
Long-Term Type 2 Diabetes with Articial Intelligence (AI): A Scoping
Review” En: Studies in Health Technology and Informatics. No. 305,
pp. 652–655. Disponible en línea. En: https://doi.org/10.3233/
SHTI230582. Fecha de consulta: 25 de septiembre de 2024.
VALABHJI, Jonathan; BARRON, Emma; DOMINIQUE, Bradley; BAKHAI,
Chirag; KHUNTI, Khunti; JEBB, Susan. 2022. “Eect of the COVID-19
pandemic on body weight in people at high risk of type 2 diabetes
referred to the English NHS Diabetes Prevention Programme” En: The
Lancet Diabetes & Endocrinology. Vol. 9, No. 8, pp. 649-651. Disponible
en línea. En: https://doi.org/10.1016/S2213-8587(21)00218-7. Fecha de
consulta: 25 de septiembre de 2024.
ZARORA, Reetu; SIMMONS, David. 2023. “Eectiveness of Diabetes Case
Conferencing Program on Diabetes Management” En: International
Journal of Integrated Care. Vol. 23, No. 1-2. Disponible en línea. En:
https://pubmed.ncbi.nlm.nih.gov/36741969/. Fecha de consulta: 25 de
septiembre de 2024.
www.luz.edu.ve
www.serbi.luz.edu.ve
www.produccioncienticaluz.org
Esta revista fue editada en formato digital y publicada
en abril de 2025, por el Fondo Editorial Serbiluz,
Universidad del Zulia. Maracaibo-Venezuela
Vol.43 Nº 82
