Diseño e implementación de una aplicación para el diagnóstico y detección temprana de diabetes tipo 2

Abstract

La diabetes tipo 2 es una enfermedad crónica que representa un desafío significativo para la salud pública mundial, con una prevalencia en aumento y graves riesgos para la salud. En paralelo, el avance tecnológico, especialmente en el campo del Machine Learning (ML), ofrece oportunidades para mejorar el diagnóstico y tratamiento de enfermedades. Este estudio propone el desarrollo de un modelo de diagnóstico de diabetes tipo 2 basado en ML, con el objetivo de proporcionar una herramienta precisa y temprana para la detección de esta enfermedad. Se utilizarán técnicas avanzadas de ML para aprender de datos pasados y extraer características complejas, con el fin de crear un modelo que pueda ser implementado en una aplicación web interactiva. Esta aplicación permitirá a los usuarios ingresar síntomas relacionados con la diabetes tipo 2 y recibir una evaluación de riesgo personalizada. Los resultados esperados incluyen un modelo preciso y funcional, así como una aplicación web accesible que pueda mejorar la detección temprana y el tratamiento oportuno de la diabetes tipo 2, contribuyendo así a una atención médica más efectiva y personalizada.

Type 2 diabetes is a chronic disease that represents a significant global public health challenge, with increasing prevalence and serious health risks. In parallel, technological advancement, especially in the field of Machine Learning (ML), offers opportunities to improve the diagnosis and treatment of diseases. This study proposes the development of a type 2 diabetes diagnosis model based on ML, with the aim of providing an accurate and early tool for the detection of this disease. Advanced ML techniques will be used to learn from past data and extract complex features, in order to create a model that can be implemented in an interactive web application. This app will allow users to enter symptoms related to type 2 diabetes and receive a personalized risk assessment. The expected results include an accurate and functional model, as well as an accessible web application that can improve the early detection and timely treatment of type 2 diabetes, thus contributing to more effective and personalized medical care.