Prediciendo el riesgo de riñón en pacientes con diabetes tipo 2

La diabetes es un gran problema de salud en todo el mundo, afectando a millones de personas. Entre sus complicaciones, la Nefropatía diabética es una preocupación significativa, ya que daña los riñones. Una forma de comprobar problemas renales es buscando una sustancia llamada albúmina en la orina, conocida como albuminuria. Poder predecir el riesgo de albuminuria en personas con Diabetes tipo 2 (T2DM) puede ayudar a tomar medidas tempranas para prevenir daños graves en los riñones.

#¿Qué es la Diabetes?

La diabetes es una condición crónica que eleva los niveles de azúcar en la sangre. Hay varios tipos de diabetes, incluyendo tipo 1, tipo 2, diabetes gestacional y algunos otros. La diabetes tipo 2 es la más común, representando más del 90% de los casos de diabetes. Estilos de vida poco saludables, como malos hábitos alimenticios, falta de ejercicio y obesidad, juegan un papel importante en el aumento de T2DM. Factores genéticos, como antecedentes familiares y raza, también pueden aumentar el riesgo.

#Complicaciones de la Diabetes

Cuando la diabetes no se controla bien, puede llevar a varias complicaciones. Una complicación importante es el daño a los riñones, conocido como nefropatía diabética. Este daño puede ser grave, llevando a enfermedad renal crónica (ERC). La ERC se diagnostica cuando hay marcadores de daño renal o cuando la capacidad de filtrado del riñón baja por debajo de un cierto nivel durante al menos tres meses.

Niveles altos de albúmina en la orina señalan problemas con los riñones. La albuminuria se clasifica en dos tipos: microalbuminuria y macroalbuminuria. La microalbuminuria ocurre cuando hay una pequeña cantidad de albúmina en la orina, mientras que la macroalbuminuria indica una cantidad mayor. Dado que la albuminuria puede indicar problemas renales, es crucial que los pacientes diabéticos sean conscientes de su riesgo.

#Objetivo del Estudio

Este estudio se centra en crear un modelo para predecir el riesgo de desarrollar albuminuria en pacientes con T2DM. Los objetivos son identificar qué método de Aprendizaje automático funciona mejor para la detección temprana de este problema y recopilar información sobre los Factores de Riesgo involucrados.

#Investigación Relacionada

Ha habido un creciente interés en usar herramientas de aprendizaje automático para predecir la albuminuria en pacientes diabéticos. Estudios previos han mostrado que varios factores pueden ayudar a predecir esta condición, como la presión arterial, los niveles de glucosa y los niveles de colesterol.

Un estudio examinó múltiples factores en un grupo de pacientes diabéticos y encontró que ciertos métodos de aprendizaje automático funcionaron bien en la predicción de la albuminuria. Otro estudio se centró en una población diferente y utilizó aprendizaje automático para analizar factores de riesgo similares. Estos estudios subrayan la importancia de usar tecnología para comprender mejor y predecir riesgos de salud.

#Conjunto de Datos Usado

Para este proyecto, se utilizó un conjunto de datos privado con registros de pacientes diabéticos. El conjunto de datos tiene 184 entradas, cada una conteniendo 10 factores diferentes y una variable objetivo, que indica si el paciente tiene función renal normal o albuminuria. El conjunto de datos fue recopilado de una instalación de salud, asegurando la confidencialidad al anonimizar la información del paciente.

Los factores incluidos en el conjunto de datos son:

• Duración de la diabetes: Cuánto tiempo ha tenido el paciente diabetes.
• Índice de Masa Corporal (IMC): Una medida de grasa corporal basada en la altura y el peso.
• Niveles de colesterol: Incluye niveles de HDL (colesterol bueno), LDL (colesterol malo) y colesterol total.
• Niveles de triglicéridos: Otro tipo de grasa en la sangre.
• Niveles de glucosa: Una medida del azúcar en la sangre.
• Presión arterial: La presión de la sangre en las arterias.
• Niveles de creatinina: Un producto de desecho que indica la función renal.
• Niveles de HbA1c: Una medida del azúcar en sangre promedio durante un periodo.

#Metodología

El estudio utilizó varias técnicas de aprendizaje supervisado para analizar el conjunto de datos. Estos incluyen métodos como Naïve Bayes, Máquina de Vectores de Soporte (SVM), árboles de decisión, bosques aleatorios, y más. También se probó un enfoque de aprendizaje profundo conocido como Perceptrón Multicapa (MLP).

Una vez que se configuraron los algoritmos, el conjunto de datos se dividió en dos partes: una para entrenar los modelos y otra para probar su rendimiento. El objetivo era evaluar qué tan bien cada método podía predecir la albuminuria entre los pacientes diabéticos.

#Resultados del Estudio

Después de correr los modelos, se encontró que el algoritmo MLP tuvo el mejor desempeño. Este método logró una alta precisión y f1-score, lo que indica qué tan bien el modelo pudo equilibrar la precisión (predicciones positivas correctas) y el recall (identificación correcta de positivos reales).

• El modelo MLP mostró una precisión del 74%, lo que significa que identificó correctamente el 74% de los casos.
• El f1-score fue alrededor del 71%, mostrando un buen equilibrio entre precisión y recall.

Otros métodos de aprendizaje automático, en su mayoría, tuvieron un desempeño peor, con algunos mostrando menos del 50% de precisión.

#Análisis de Errores

Para entender mejor el desempeño del modelo MLP, se llevó a cabo un análisis de errores. Esto implicó observar dónde el modelo hizo predicciones incorrectas. Se observó que algunas predicciones estaban cerca del límite entre los casos normales y los de albuminuria. Esto sugiere que ciertos puntos de datos de pacientes pueden tener características que se superponen, dificultando al modelo diferenciar entre las dos categorías.

Varios factores contribuyen a esta complejidad. Por ejemplo, algunos pacientes pueden no desarrollar albuminuria a pesar de tener altos niveles de glucosa y lípidos, mientras que otros con niveles normales pueden aún desarrollar la condición. Esto resalta la complicada naturaleza de la salud humana y los muchos factores que influyen en el desarrollo de enfermedades.

#Recomendaciones para Futuras Investigaciones

Para mejorar aún más la precisión del modelo, se sugiere aumentar el tamaño y la diversidad del conjunto de datos. Recopilar datos de pacientes más variados puede ayudar a los algoritmos a aprender mejor de patrones complejos. Además, explorar otras técnicas de aprendizaje profundo puede mejorar las predicciones y proporcionar insights más profundos.

#Conclusión

En conclusión, el estudio desarrolló con éxito un modelo de aprendizaje supervisado para predecir el riesgo de albuminuria en pacientes T2DM. El método MLP se destacó por su fuerte desempeño. A medida que la diabetes sigue siendo un problema de salud urgente, utilizar tecnología avanzada como el aprendizaje automático puede ayudar en la detección temprana y mejor gestión de las complicaciones relacionadas, contribuyendo a una mejor atención y resultados para los pacientes. El trabajo futuro en este campo promete herramientas predictivas y intervenciones más efectivas.