Introduction. Diabetes is a chronic disease characterized by a high blood glucose level. It can lead to complications that affect the quality of life and increase the costs of healthcare. In recent years, prevalence and mortality rates have increased worldwide. The development of models with high predictive performance can help in the early identification of the disease. Objective. To develope a model based on artificial intelligence to support clinical decisionmaking in the early detection of diabetes. Materials and methods. We conducted a cross-sectional study, using a dataset that contained age, signs, and symptoms of patients with diabetes and of healthy individuals. Pre-processing techniques were applied to the data. Subsequently, we built the model based on fuzzy cognitive maps. Performance was evaluated with three metrics: accuracy, specificity, and sensitivity. Results. The developed model obtained an excellent predictive performance with an accuracy of 95%. In addition, it allowed to identify the behavior of the variables involved using simulated iterations, which provided valuable information about the dynamics of the risk factors associated with diabetes. Conclusions. Fuzzy cognitive maps demonstrated a high value for the early identification of the disease and in clinical decision-making. The results suggest the potential of these approaches in clinical applications related to diabetes and support their usefulness in medical practice to improve patient outcomes.
Introducción. La diabetes es una enfermedad crónica que se caracteriza por el aumento de la concentración de la glucosa en sangre. Puede generar complicaciones que afectan la calidad de vida y aumentan los costos de la atención en salud. En los últimos años, las tasas de prevalencia y mortalidad han aumentado en todo el mundo. El desarrollo de modelos con gran desempeño predictivo puede ayudar en la identificación temprana de la enfermedad.Objetivo. Desarrollar un modelo basado en la inteligencia artificial para apoyar la toma de decisiones clínicas en la detección temprana de la diabetes.Materiales y métodos. Se llevó a cabo un estudio de corte transversal, utilizando un conjunto de datos que incluía edad, signos y síntomas de pacientes con diabetes y de individuos sanos. Se utilizaron técnicas de preprocesamiento para los datos. Posteriormente, se construyó el modelo basado en mapas cognitivos difusos. El rendimiento se evaluó mediante tres parámetros: exactitud, especificidad y sensibilidad.Resultados. El modelo desarrollado obtuvo un excelente desempeño predictivo, con una exactitud del 95 %. Además, permitió identificar el comportamiento de las variables involucradas usando iteraciones simuladas, lo que proporcionó información valiosa sobre la dinámica de los factores de riesgo asociados con la diabetes.Conclusiones. Los mapas cognitivos difusos demostraron ser de gran valor para la identificación temprana de la enfermedad y en la toma de decisiones clínicas. Los resultados sugieren el potencial de estos enfoques en aplicaciones clínicas relacionadas con la diabetes y respaldan su utilidad en la práctica médica para mejorar los resultados de los pacientes.
Keywords: diabetes/diagnosis; forecasting; risk factors; clinical decision support system; artificial intelligence.