Setting Ranges in Potential Biomarkers for Type 2 Diabetes Mellitus Patients Early Detection By Sex—An Approach with Machine Learning Algorithms

La diabetes mellitus tipo 2 (DMT2) es una de las enfermedades metabólicas más frecuentes en el mundo y supone un importante reto para la salud pública. La detección y el tratamiento precoces de este trastorno metabólico son cruciales para prevenir complicaciones y mejorar los resultados. El objetivo de este trabajo es encontrar diferencias fundamentales en los marcadores masculinos y femeninos para detectar la DMT2 mediante sus características clínicas y antropométricas, buscando rangos en los biomarcadores potenciales identificados para proporcionar información útil como herramienta de prediagnóstico mientras se excluyen los biomarcadores relacionados con la glucosa utilizando modelos de aprendizaje automático (ML). Se utilizó un conjunto de datos que contenía variables clínicas y antropométricas de pacientes diagnosticados de DMT2 y pacientes sin DMT2 como control. Aplicamos la selección de características con tres técnicas diferentes para identificar modelos de biomarcadores relevantes: una eliminación recursiva de características mejorada (RFE) que evaluaba cada conjunto de todas las características a una característica con el criterio de información de Akaike (AIC) para encontrar salidas óptimas; el Operador de Selección y Reducción Absoluta Mínima (LASSO) con glmnet; y Algoritmos Genéticos (GA) con GALGO y selección hacia delante (FS) aplicada a la salida de GALGO.