Modelo de inteligencia artificial para la detección temprana de diabetes

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.

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 decision-making 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.

Evaluación del desempeño analítico de tres métodos de cuantificación de hemoglobina A1c / Analytical performance evaluation of three methods for hemoglobin A1c quantification / Avaliação do desempenho analítico do três métodos de quantificação de hemoglobina A1c

El laboratorio debe garantizar la exactitud de los resultados de HbA1c cumpliendo con los requisitos analíticos internacionales de calidad, cada vez más estrictos y asegurar que una variación de HbA1c de 0,5 puntos porcentuales (%-NGSP) o más entre dos controles consecutivos de un paciente diabético se deba a una variación clínica y no a una variación analítica. En este trabajo se evaluó el desempeño analítico de tres métodos comerciales para HbA1c: inmunoturbidimétrico, enzimático y cromatográfico de intercambio catiónico. Para tal fin, se procesaron por cada método distintos controles comerciales de HbA1c, con trazabilidad al método de referencia IFCC, determinándose en cada caso Coeficiente de Variación Total, Bias, Error Total, Valor de Referencia del Cambio y cambio clínico significativo de HbA1c en el punto crítico 7,0%-NGSP. En las condiciones analíticas de este trabajo, solamente el método inmunoturbidimétrico tuvo un desempeño analítico aceptable, permitiendo atribuir un cambio de 0,5%-NGSP a una variación clínica significativa del paciente. Frente a las recomendaciones internacionales sobre el uso de HbA1c en el control y diagnóstico de diabetes, es indiscutible la importancia de elegir un método que satisfaga los requerimientos analíticos mínimos de calidad para asegurar la utilidad clínica del resultado de HbA1c.

The laboratory must guarantee the accuracy of HbA1c results meeting the increasingly strict international analytical quality standards and assuring that an HbA1c variation of 0.5 percentage points (%-NGSP) or more between two consecutive controls of a diabetic patient is due to a clinical variation and not to an analytical variation. In this paper, the analytical performance of three commercial methods for HbA1c: Immunoturbidimetric, Chromatographic and Enzymatic Cation Exchange, were evaluated. For this purpose, commercial controls with assigned values traceable to the IFCC reference method for HbA1c were processed. For each methodology, total Coefficient of Variation (CV%), Bias%, Total Error (TE%), Change Reference Value and Clinically Significant Change (CSC) at the critical point of HbA1c 7.0%-NGSP were determined. Within the analytical conditions of this study, only the immunoturbidimetric method had an acceptable analytical performance, allowing attribute a change in 0.5%-NGSP to a significant clinical variation. Faced with international recommendations on the use of HbA1c on control and diagnosis of diabetes, the importance of choosing a method that meets the minimum analytical quality requirements to ensure the clinical utility of HbA1c result is undeniable.

O laboratório deve garantir a precisão dos resultados da HbA1c cumprindo com os requisitos analíticos internacionais de qualidade cada vez mais exigentes e garantir que uma variação de HbA1c de 0,5 pontos percentuais (% - NGSP) ou mais entre duas verificações consecutivas de um doente diabético seja devido a uma variação clínica e não a uma variação analítica. Neste trabalho foi avaliado o desempenho analítico de três métodos comerciais para HbA1c: imunoturbidimétrico, enzimático e cromatográfico de intercâmbio catiônico. Para esse fim, foram processados diversos controles comerciais de HbA1c por cada método, com rastreabilidade ao método de referência IFCC, determinando em cada caso Quociente de Variação Total, Bias, Erro Total, Valor de Referência da Alteração e Alteração Clinicamente Significativa de HbA1c no ponto crítico 7,0%-NGSP. Nas condições de análise deste estudo, apenas o método imunoturbidimétrico teve um desempenho analítico aceitável, permitindo atribuir uma alteração de 0,5%-NGSP a uma variação clínica significativa do paciente. Perante as recomendações internacionais sobre o uso da HbA1c no controle e diagnóstico da diabetes, é inegável a importância de escolher um método que atenda os requisitos analíticos mínimos de qualidade de análise para garantir a utilidade clínica do resultado HbA1c.