PREDICCIÓN DE DIABETES EN MUJERES MEDIANTE UN MODELO PROBABILÍSTICO BASADO EN REDES BAYESIANAS

Objetivo: Desarrollar un modelo probabilístico basado en redes bayesianas para la predicción de la diabetes mellitus en mujeres. Métodos: Se utilizaron varios métodos entre ellos el análisis exploratorio de datos, el preprocesamiento de datos, el modelado de la red bayesiana, la validación del modelo y la optimización del modelo para su mejor predicción y se exploró la posibilidad de mejorar su sensibilidad para detectar a todas las personas con diabetes Mellitus. Resultados: indican que el modelo de redes bayesianas tiene una precisión aceptable en la detección de la diabetes mellitus en mujeres, con un valor predictivo positivo del 69,57%, un valor predictivo negativo del 79,93% y una tasa de error del 23,18%. Sin embargo, se observa una necesidad de mejorar la sensibilidad del modelo para detectar a todas las personas con la enfermedad también se encontró que el modelo tiene una tasa de error del 23,18%, lo que indica que el modelo tiene un error del 23,18% en la clasificación de casos, por otro lado, los resultados de la regla de puntuación proporcionan información adicional sobre el desempeño del modelo, la pérdida logarítmica de 0,4904 y la pérdida cuadrática de 0,3222 indican que el modelo tiene un buen rendimiento en la clasificación de los casos, ya que estas medidas de pérdida son bajas. Además, el resultado esférico de 0,8196 indica que el modelo tiene una buena capacidad para discriminar entre las diferentes clases de la variable dependiente por tanto el modelo probabilístico basado en redes bayesianas es una herramienta prometedora para la predicción temprana de la diabetes mellitus Conclusiones: La construcción de un modelo probabilístico basado en redes bayesianas para la predicción de diabetes Mellitus ha demostrado ser una herramienta útil para la identificación temprana de la diabetes mellitus ya que el modelo cuenta con una precisión aceptable y un buen rendimiento en la clasificación de casos, se necesita mejorar su sensibilidad para detectar a todas las personas con diabetes, se destaca la importancia de seguir investigando en este campo para mejorar la precisión de los modelos y lograr una detección temprana más efectiva de la enfermedad.