Algoritmos de aprendizaje automático aplicados a la predicción de Diabetes Mellitus: revisión sistemática

• Autores: Puemape Purihuaman, Luis Gustavo, Sirlopu Cumpa, Ithamar Anthuanet
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17059
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17059
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Diabetes mellitus; Algoritmos predictivos; Revisión sistemática; Inteligencia artificial; https://purl.org/pe-repo/ocde/ford#2.02.04

La diabetes mellitus representa una de las principales amenazas para la salud pública global, con una creciente necesidad de herramientas predictivas eficaces para su detección temprana. Esta revisión sistemática analizó la aplicación de algoritmos de aprendizaje automático en la predicción de diabetes mellitus, siguiendo la metodología PRISMA-2020. Se realizó una búsqueda exhaustiva en las bases de datos Scopus y Web of Science (WOS), identificando inicialmente 414 artículos, de los cuales 50 cumplieron con los criterios de inclusión establecidos. El análisis reveló un crecimiento exponencial en la producción científica (R² = 0.823) con un punto de inflexión en 2019, consolidándose 2022 y 2024 como los años de mayor producción con 15 publicaciones cada uno. Los Support Vector Machines (SVM) emergieron como el algoritmo predominante, seguido por Random Forest (RF) y K Nearest Neighbors (KNN). India lideró la producción científica con 23 publicaciones, mientras que IEEE Access se consolidó como la revista más influyente con 175 citas. La discusión contrastó estos hallazgos con cinco revisiones sistemáticas previas, confirmando la transición desde algoritmos tradicionales hacia métodos ensemble híbridos. Se identificaron brechas críticas en diversidad poblacional, con dependencia excesiva del dataset PIMA Indian Diabetes, y limitada incorporación de técnicas de Explainable AI. Se concluye que, aunque los algoritmos han alcanzado madurez técnica significativa, persisten desafíos en interpretabilidad, validación externa y generalización poblacional que requieren atención prioritaria para su implementación clínica efectiva.