Prediabetes y Diabetes Tipo 2. Evaluación con Algoritmo de Agrupamiento K-means - EADIC

Prediabetes y Diabetes Tipo 2. Evaluación con Algoritmo de Agrupamiento K-means

La diabetes tipo 2 (DT2) es una enfermedad crónica multifactorial que afecta a millones de personas en todo el mundo, reduciendo significativamente la calidad de vida y causando muertes prematuras. La Prediabetes, un precursor de la DT2, presenta síntomas años antes del diagnóstico. Ambas condiciones se diagnostican tradicionalmente mediante la Prueba de Tolerancia Oral a la Glucosa (OGTT), que mide los niveles de glucosa e insulina en intervalos específicos. Los investigadores han explorado parámetros para mejorar la eficiencia del diagnóstico, como el Área Bajo la Curva (AUC) para la glucosa (AUCG) y la insulina (AUCI) durante la OGTT. Este estudio tuvo como objetivo evaluar la efectividad del algoritmo de agrupamiento k-means para clasificar sujetos con prediabetes y DT2 utilizando AUCG y AUCI.

 Prediabetes

Metodología Prediabetes

Para desarrollar la evaluación se siguieron los siguientes pasos:

  • Base de datos

En el Laboratorio de Investigación Clínica de la Universidad Central de Venezuela, se reclutaron 188 adultos (hombres = 88 sujetos, edad = 42,11 ± 14,91 años) entre los años 2010 y 2013. Cada participante se sometió a la prueba de tolerancia oral a la glucosa (OGTT) de 5 muestras. En la OGTT de cinco muestras, se midieron los niveles de insulina y glucosa en las cinco muestras de sangre diferentes: una muestra en ayunas de 8 horas (G0, I0) y otras cuatro después de la ingesta oral de 75 gr. de glucosa a los 30 minutos (G30, I30), 60 minutos (G60, I60), 90 minutos (G90, I90) y 120 minutos (G120, I120).

  • Algoritmo K-means implementado Prediabetes

En esta investigación se utiliza el algoritmo de agrupamiento k-means para clasificar observaciones unidimensionales. El objetivo de la técnica k-means es dividir el conjunto de datos en diferentes grupos, de modo que las observaciones en cada grupo compartan características similares. La distancia entre las observaciones y los centroides se calculó mediante la distancia euclidiana al cuadrado y se repitió 10 veces para evitar mínimos locales. El coeficiente de silueta (SC) se utilizó para evaluar la asignación del conjunto de datos al grupo.

Se realizaron dos experimentos utilizando el AUCI y dos más utilizando el AUCG. El AUCG se calculó a partir de la curva construida con los valores de glucosa de 30, 60 y 90 minutos de la OGTT. Se descartan los valores de glucosa de 0 y 120 minutos de la OGTT porque son variables dependientes en el diagnóstico de DT2 y prediabetes. El AUCI se calculó a partir de la curva construida con los valores de insulina de 0, 30, 60, 90 y 120 minutos de la OGTT.

Prediabetes

Experimentos

 

Los dos experimentos utilizando AUCI y AUCG se realizaron de la siguiente manera:

  • Primer experimento: Se estableció el número de grupos a k=2 para observar si el algoritmo es capaz de agrupar las observaciones en sujetos con y sin DT2.
  • Segundo experimento: Se estableció el número de grupos a k=3 para agrupar las observaciones según DT2, prediabetes y grupo control.

Para evaluar el desempeño del algoritmo k-means en la agrupación de sujetos con DT2, prediabetes y control, se calculó la precisión (ACC), la exactitud (P) y el recall (R) en cada experimento.

Resultados

 

El agrupamiento k-means realizado en datos de AUCG arrojó resultados prometedores. El coeficiente de silueta, una medida de la calidad del agrupamiento, superó consistentemente 0.6, lo que indica una separación aceptable de los sujetos estudio.

Conclusiones Prediabetes

 

Este estudio sugiere que el agrupamiento k-means aplicado a datos de AUCG tiene potencial para clasificar individuos con DT2, prediabetes y controles sanos. El enfoque podría incluso identificar sujetos con alto riesgo de desarrollar DT2, lo que potencialmente ayudaría a medidas preventivas. Se justifica una mayor investigación para validar estos hallazgos en poblaciones más grandes y diversas.

 

Autor:  Erika Severeyn Varela, Doctor en Ingeniería Biomédica. Profesora de los módulos: Introducción a la Ingeniería Biomédica, Electrónica e Informática Aplicada a la Biomedicina y Áreas Profesionales dentro de la Biomedicina, Herramientas para el Desarrollo de Proyectos en Biomédica.

 

Compartir

Contenido seleccionado para ti

Suscríbete a nuestro boletín

Recibe directamente en tu correo las últimas noticias y actualizaciones de eadic.

Scroll al inicio
Mediante el envío de mis datos confirmo que he leído y acepto las condiciones generales y política de privacidad