Comparación de modelos de machine learning para la predicción temprana de diabetes mellitus tipo 2 en entornos de atención primaria: evaluación de precisión y aplicabilidad clínica, revisión sistemática

Abstract

La Diabetes Mellitus tipo 2 (DM2) constituye una patología crónica no transmisible caracterizada por su naturaleza silente y progresiva, que representa una carga significativa para los sistemas de salud debido a sus altos costos de atención y su creciente prevalencia global. Su manifestación clínica suele evidenciarse en estadios intermedios o avanzados de la enfermedad, cuando ya existe compromiso multiorgánico establecido, lo que resalta la importancia crítica de su identificación temprana para mitigar tanto el impacto económico sobre el sistema sanitario, como las consecuencias en la calidad de vida de los pacientes afectados. Dado el impacto de la DM2, resulta imperativo explorar herramientas innovadoras y de preferencia automatizadas (para ser aplicada en grandes poblaciones), para su detección precoz. Las técnicas de Machine Learning han demostrado resultados prometedores en la identificación temprana de la enfermedad y en la determinación de variables predictivas significativas (Avellán Valdés et al., 2022). En este contexto, surge la siguiente pregunta de investigación: ¿Qué modelo de Machine Learning proporciona el mejor equilibrio entre precisión predictiva y viabilidad de implementación para la detección temprana de Diabetes Mellitus tipo 2 en el contexto de atención primaria en Colombia, considerando las limitaciones de recursos existentes en el sistema de salud nacional?