La aplicación del aprendizaje profundo en la prevención y el diagnóstico de la diabetes mellitus tipo 2 de la especialización en informática de la salud

Resumen

Este estudio analizó la aplicación de redes neuronales profundas en el diagnóstico temprano y la predicción de complicaciones de la diabetes mellitus tipo 2 (DM2). El objetivo principal del estudio fue investigar cómo estas tecnologías contribuyen a mejorar la precisión diagnóstica y predictiva en relación con los métodos tradicionales. Se utilizó una revisión bibliográfica integradora, que abarcó artículos publicados entre 2019 y 2024 en bases de datos como PubMed, IEEE Xplore, ScienceDirect y Google Scholar. El análisis incluyó modelos como LSTM, CNN y RNN, destacando sus desempeños superiores en métricas como la precisión (hasta un 85%) y el área bajo la curva (AUC) (hasta 0,98). Los resultados mostraron que las redes neuronales profundas permiten predicciones más personalizadas, identificando trayectorias de control glucémico y categorizando a los pacientes en grupos de riesgo. Por lo tanto, la integración de datos genómicos, tabulares y clínicos resultó ser esencial para la personalización de la gestión clínica. Sin embargo, se identificaron limitaciones, como la dependencia de grandes volúmenes de datos y el alto costo computacional, que pueden restringir la adopción a gran escala. Se concluyó que el aprendizaje profundo es una herramienta prometedora en el manejo de la diabetes tipo 2, impulsando avances significativos en la medicina de precisión. Las investigaciones futuras deberían centrarse en optimizar los modelos y ampliar las fuentes de datos para lograr una mayor accesibilidad y aplicabilidad práctica.