Torres Soler, Luis CarlosRamos Montaña, Jesus DavidArias Bodmer, Juan Camilo2024-07-172024-07-172024-05https://hdl.handle.net/20.500.12495/12681En el ámbito de la medicina, la toma de decisiones juega un papel fundamental en la atención sanitaria, tanto a nivel clínico como en la salud poblacional. La complejidad de este proceso, marcado por dimensiones como la identificación de problemas, el acuerdo en protocolos clínicos, el conocimiento necesario y la estructura de pensamiento, resalta la importancia de abordar las decisiones médicas de manera integral y multidimensional. La toma de decisiones diagnósticas y terapéuticas en pacientes con enfermedades crónicas, como la diabetes, conlleva una incertidumbre inherente que desafía a los profesionales de la salud. En este contexto, la integración de tecnologías avanzadas, como el machine learning (ML), en la práctica clínica puede modificar el enfoque determinista basado únicamente en resultados de laboratorio. Este cambio busca considerar la interacción sistémica de múltiples variables en cada paciente. La inclusión de técnicas de análisis no lineal de datos permite una comprensión más holística del paciente, lo que puede llevar a una interpretación más precisa de la variabilidad de la diabetes. Este enfoque integrador y más completo tiene el potencial de mejorar la identificación temprana y el tratamiento de la enfermedad. Este trabajo aborda el desafío del diagnóstico de la diabetes en un contexto de desbalance de datos, utilizando enfoques analíticos similares a los estudios ecológicos, que buscan comprender las interacciones en un sistema complejo, para equilibrar las clases de manera representativa. Se reconoce que existen limitaciones en cuanto al tamaño de la muestra, sesgos potenciales en la selección de variables y la interpretación de resultados, lo que destaca la importancia de abordar de manera transparente las restricciones y desafíos presentes en este tipo de análisis de datos del mundo real. En este caso, se busca equilibrar las clases de pacientes con y sin diabetes para que el análisis sea más preciso y representativo de la realidad. Abordar de forma transparente estas restricciones y desafíos permitirá a otros investigadores comprender y contextualizar adecuadamente los hallazgos. Al considerar las implicaciones de este estudio y las posibles direcciones futuras de investigación, se resalta la relevancia de los modelos de ML en la predicción de la aparición de la diabetes y la mejora de la toma de decisiones clínicas. La validación y comparación de diferentes modelos de ML se presenta como una estrategia clave para fortalecer la planificación de intervenciones en salud poblacional y optimizar la atención a pacientes con diabetes. En este contexto de constante evolución tecnológica y desafíos en la toma de decisiones médicas, este trabajo busca contribuir al conocimiento y la práctica en el campo de la medicina, ofreciendo un enfoque integral y multidimensional para abordar la complejidad de la atención sanitaria y la gestión de enfermedades crónicas como la diabetes.esAttribution-NonCommercial-NoDerivatives 4.0 InternationalAnálisis no linealSistemas complejosPráctica clínicaSalud poblacionalModelos de predicciónEvidencia del mundo realNon-linear analysisComplex systemsClinical practicePopulation healthPredictive modelsReal-world evidenceAcceso abiertoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2