Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen
Diabetes is one of the chronic diseases with the highest mortality rate identified in recent years
due to the serious complications that are initially associated with a sedentary lifestyle and poor
diet that contribute to the onset of type 2 and consequently type 1 diabetes. In this sense, the
development of preventive software for diagnosis and treatment plays a very important role in
the early care of chronic diseases such as diabetes. Therefore, a systematic literature review
was conducted to investigate implementation processes of trend identification systems
oriented to diabetes. The results showed that one of the most widely used artificial intelligence
techniques for predictive systems is machine learning.
Keywords: Diabetes, Trend Identification, Preventive Software, implementation.
1. Introducción
En la actualidad la humanización en los hospitales es una necesidad que demanda los usuarios
como parte de un derecho es aquí que las políticas de salud están enfocadas a establecer
normativas legales que asegure el buen trato al usuario. El ser humano cuando sufre deterioro
de su salud requiere de ayuda y cuidados profesionales para lograr la adaptación,
explicaciones acerca como abordar los procesos de salud y vivir momentos de incertidumbre
por el desconocimiento de la enfermedad y de los procesos de atención hospitalarias, es aquí la
necesidad que los profesionales de la salud deben comprender que el paciente necesita
participar de sus cuidados conjuntamente con la familia. El usuario exige hoy en día el
reconocimiento de su derecho como un acto de dignidad para recibir una atención en salud, de
tal manera que él se sienta valorado como persona en sus dimensiones humanas (1).
Por todo ello el cuidado humanizado se convierte en una filosofía de vida aplicada en la
práctica profesional de enfermería, el cual se puede definir como: una actividad que requiere
de un valor personal y profesional encaminado a la conservación, restablecimiento y
autocuidado de la vida que se fundamenta en la relación terapéutica enfermera - paciente. De
tal forma que el profesional de enfermería tiene el compromiso científico, filosófico y moral,
hacia la protección de la dignidad y la conservación de la vida, mediante un cuidado
humanizado, en los pacientes (3).
Hay una necesidad de predecir la diabetes en las personas para que se puedan iniciar las
precauciones y el tratamiento adecuado para evitar su progresión a gran escala (Jaiswal et al.,
2021),es por ello que el sector salud se ha visto en la necesidad de implementar sistemas de
diagnóstico para hacerle frente a este problema , utilizando desde dispositivos inteligentes
como sensores (Ray & Chaudhuri, 2021) hasta la identificación de modelos predictivos
mediante diversos métodos de machine learning (ML) (Castelyn et al., 2021).Una de las
herramientas más demandas es la inteligencia artificial ya que tiene el potencial para
revolucionar el cuidado de la salud teniendo gran significancia debido a la disponibilidad de
métodos y plataformas computacionales que son cada vez más poderosas, junto con las
diversas fuentes informativas de datos que posee de pacientes, tanto dentro como fuera de los
entornos clínicos (Gautier et al., 2021).
Para la creación de estas soluciones existen algoritmos de aprendizaje automático como redes
neuronales artificiales-ANN, máquinas de soporte vectorial-SVM, Naive Bayes-NBC,
aprendizaje profundo-DL y técnicas de minería de datos que se utilizan para detectar patrones
y así determinar el diagnóstico y tratamiento de enfermedades (Jaiswal et al., 2021). Existen
pocas evidencias acerca de las implementaciones de sistemas de identificación de tendencias
para la diabetes, esto nos motiva a investigar métodos, técnicas y/o algoritmos para la
implementación de un sistema de predicción para la diabetes.
Se propone realizar una revisión sistemática de literatura con el fin de identificar los métodos,
técnicas y/o algoritmos utilizados para construir sistemas de predicción de la diabetes. Con
ello se busca construir un sistema que determine pacientes que son propensos a adquirir la
enfermedad, a partir de las sintomatologías y características identificadas de la Diabetes
mellitus (Domingo-Lopez et al., 2022). La revisión se basa en un método que considera cuatro
fases: diseño de la revisión, realización de la revisión, análisis y redacción de la reseña
(Snyder, 2019). Se desarrolla una estrategia de búsqueda para realizar el análisis de artículos
científicos en las siguientes bases de datos: ScienceDirect, PubMed e IEEE Xplore. Los
resultados de la revisión identificaron cuatro métodos y seis algoritmos para la
implementación de sistemas de predicción de la diabetes.
Revisión de literatura
Cuidado de enfermería:
Cuidado humanizado
Cuidar con empatía: Es la actitud que toma la enfermera para ponerse en el lugar del paciente,
en su punto de referencia, su punto de vista, su posición y comprenderlo. Esta relación implica
que el paciente experimente que la enfermera lo entiende y comprende su situación, comparte
su sentir, de miedo, dolor, angustia, alegría, etc. Empatía también incluye simpatía porque
existe implicancia emotiva. El dialogo disminuye los sentimientos negativos y refuerza los
positivos, ayuda al paciente a la resolución de sus problemas, a aceptar su condición, aceptar
una perdida, un duelo, adherencia al tratamiento, y a encontrarle el verdadero sentido de su
vida. Escuchar activamente: El cuidado es un proceso de retroalimentación, resultado de una
relación armónica, interactiva e interpersonal, que implica el bienestar de ambas partes,
enfermera y paciente. Es necesario mostrar interés por el otro, conocerlo previamente,
comunicarse amablemente, escucharlo, establecer una relación empática, mostrar afecto
mediante un tono de voz moderado, relajada y abierta. Por ello se infiere que no es suficiente
brindar cuidados con una base técnica, es fundamental implementar un cuidado continuo de
relación emotiva, que implica sentimientos y creencias. El escuchar se convierte en una pieza
terapéutica eficaz importante en el paciente por parte de una profesional competente y
preparado.
Contacto visual: El cuidado humanizado implica una serie de gestos, un saludo previo, un
reconocimiento mutuo, mirar al paciente mientras habla demuestra el mutuo respeto, la mirada
del paciente transmite sus necesidades, su no satisfacción. Aquí se da inicio a la
comunicación, ya que una mirada indiferente y fría descartaría todo intento de interacción
terapéutica con el paciente. (22)
Son las cualidades y características de la enfermera para establecer una relación respetuosa
con el paciente, creando así un ambiente de confianza y bienestar para el paciente.
Percepción
Características de la percepción
Apreciación del actuar de la enfermera por parte del usuario a través de un Proceso mental
subjetivo, dentro de un marco de respeto, empatía, simpatía, amabilidad, espiritualidad,
consideración, compresión e interés por el bien común, para el mantenimiento, recuperación, y
promoción de la salud que trasciende más allá de la enfermedad, caracterizada por ser una
interrelación de tipo personalizada, que genera un ambiente de confianza y satisfacción para
ambas partes. (23)
Diabetes mellitus
Sin embargo, la diabetes no siempre es diagnosticada médicamente, es por ello que se estima
que una de cada dos personas que viven con diabetes desconoce su condición (Zheng et al.,
2022).
Aplicación de la inteligencia artificial en la Diabetes
2. Metodología
la investigación es aplicada con enfoque cuantitativo ya que nos permitirá cuantificar los datos
y así asignarle un valor numérico, así como analizar los datos de manera científica, descriptiva
ya que describirá las características de la variable y la realidad del estudio en cuanto a la forma
de recolección de datos es de corte transversal, ya que la información se obtuvo en un solo
momento, para la cual se tubo la población de estudio serán todos los pacientes adultos
varones y mujeres que se encuentren en el área observación de la unidad de cuidados
intensivos Hospital II Huancavelica - ESSALUD, que recibieron una atención durante un
turno diurno en el servicio de emergencia, tratándose 30 pacientes, donde la cantidad de
muestra fue igual a 30 pacientes ya que no se realizará el muestreo por ser una población
pequeña, constituyendo la unidad muestra como población de estudio. La muestra será
obtenida con el fin de investigar, a partir del conocimiento de sus características particulares,
las propiedades de una población. Para definir la muestra de la presente investigación, serán
utilizados criterios de inclusión y exclusión, que son los siguientes:
Criterios de inclusión
Pacientes que reciben atención en el servicio de observación
Pacientes que permanezcan más de 12 horas en el servicio de emergencias
Pacientes que acepten participar en el estudio
Pacientes que se expresen por sí mismos y estén orientados
Criterios de exclusión
Pacientes que no se encuentren en el servicio de UCI
Pacientes que no deseen participar de la encuesta
Pacientes con alteraciones sensoriales
Para la recolección Se utilizará 02 instrumentos para la recolección de datos que se detalla a
continuación
Percepción del paciente: El instrumento de recolección de datos que se utilizara en esta
investigación tiene validez y confiabilidad, está elaborado para su aplicación en hospitales,
donde la valoración del instrumento de percepción del paciente sobre cuidado humanizado se
obtuvieron los siguientes valores.
excelente
Bueno
Regular
Malo
Cuidado Humanizado de la Enfermera
Se utilizará un instrumento tipo Likert modificado que consta de 22 preguntas, las 6 primeras
preguntas corresponden a la dimensión biológica, del 7 a la 13va pregunta corresponde
dimensión sociocultural, del 14 a la 17va pertenecen a la dimensión espiritual y del 18 al 22
corresponden dimensión emocional. Se tomará como referencia un cuestionario de 32 ítems
titulado “Percepción Del Paciente Adulto Mayor Sobre El Cuidado Que Recibe De La
Enfermera(O) En El Servicio De Geriatría Del HNGAI. LIMA 2013 elaborado por Zapata
Durango, Zandra Milagros con el apoyo de la Universidad Nacional de escuela de enfermería
TEZZA afilia universidad Ricardo PALMA PERU; dicho instrumento surge de un estudio de
posgrado de tipo cualitativo fenomenológico de Alvis y colaboradores, que investigó el
fenómeno de la experiencia de recibir un cuidado de enfermería humanizado en un servicio de
hospitalización.
Este análisis de revisión sistemática se lleva a cabo con el propósito de investigar y sintetizar
evidencia de los principales métodos, técnicas y/o algoritmos que se utilizan en la
construcción de sistemas de predicción para la diabetes. Para el desarrollo de la investigación
se usa las directrices que propone (Snyder, 2019) mediante las siguientes fases:
Análisis: Se realiza una extracción de los estudios escogidos para ser analizados.
2.1 Diseño de la Revisión
Para realizar la búsqueda de los artículos se define el tema con la finalidad de delimitar el
alcance de la investigación: Sistema de identificación de tendencias para la diabetes,
posteriormente se determina los siguientes objetivos en relación a las preguntas de
investigación:
P2 ¿Qué métodos, técnicas y/o algoritmos son los más eficientes para la construcción
de un sistema de identificación de tendencias para la diabetes?
O2: Identificar el método, técnica o algoritmo más eficientes para la construcción de
un sistema de identificación de tendencias para la diabetes.
Los criterios establecidos para la búsqueda y selección de los artículos que se tuvieron en
cuenta son los siguientes:
Tabla 1
Criterios para la búsqueda sistemática
Criterios de inclusión Criterios de exclusión
Artículos cuyos temas de investigación están Artículos que mencionen síntomas no
orientados a la detección de la diabetes. relacionados con la diabetes.
Tabla 2
Sintaxis de selección de estudios
Después de haber realizado una revisión a los 50 artículos obtenidos, se procede a realizar el
análisis cuantitativo, los cuales se presentarán en diferentes cuadros estadísticos de la siguiente
manera:
Cantidad de publicaciones científicas publicados por país.
Cantidad de publicaciones científicas por bases de datos.
Cantidad de publicaciones científicas por año de acuerdo a las bases de datos
utilizadas.
Cantidad de citaciones por publicaciones científicas.
Cantidad de repeticiones de palabras clave.
Figura 1
Artículos publicados por país
Artículos publicados por país
7
6
5
4
3
2
1
0
L L i
L IA ÑA DIA RAN AND YS IA G A UK US A ADA AZI INA NCE ANY PON R EA ICO ICA rab DEN TAN AND
RA PA IN I EL A TU N BR H A X
M JA KO ME AF di R A E S L
ST ES L
IR MA OR CA
C
FR ER H u S W AKI HAI
AU P G UT Sa P T
SO
Nota. Elaboración propia.
En este diagrama de barras se observa que la mayor parte de los estudios obtenidos provienen
de 4 países en particular Australia, India y Reino Unido-UK las cuales muestran un mayor
interés en el tema de investigación, se observa también que los países con un rango medio de
publicaciones y también con cierto interés en la investigación son Irán, Estados Unidos-USA,
China y Alemania.
Figura 2.
Artículos publicados por base de datos
Artículos publicados por base de datos
Science Direct Pubmed IEEE XPLORE
10; 20%
13; 26%
27; 54%
En este gráfico circular se observa que de las siguientes bases de datos bibliográficas en donde
se obtuvo la mayor cantidad de artículos y posee una participación del 54% es PubMed con 27
estudios, en segundo lugar, se tiene a la base de datos ScienceDirect con una participación del
26% cuya predominancia de estudios son 13, y, por último, se tiene a IEEE Xplore con una
participación del 20% de los artículos obtenidos equivalente a 10 estudios.
Figura 3.
Artículos publicados por año
Artículos publicados por año
18
16
14
12
10
8
6
4
2
0
2019 2020 2021 2022
Nota. Elaboración propia.
En este gráfico de barras se puede visualizar que la mayor cantidad de publicaciones fueron
realizadas durante el año 2021.Asimismo, se puede observar que en los años 2019 y 2022 no
se realizaron muchas publicaciones relacionadas con el tema de investigación, mientras que en
el año 2020 existe una creciente cantidad de estudios publicados en las bases de datos.
Tabla 3
Cantidad de citaciones por publicaciones científicas
En la siguiente tabla se puede visualizar que el primer artículo publicado es el más citado y
mejor valorado para tomarlo como referencia en la elaboración de artículos relacionados con
el presente tema de investigación; sin dejar de lado que las publicaciones hechas por el
segundo, tercero, cuarto y quinto artículo también son de gran referencia para este trabajo.
Tabla 4
Cantidad de repeticiones de palabras clave
En la siguiente tabla se muestran las palabras claves más utilizadas en los artículos de
investigación, donde se puede visualizar que las palabras “machine learning” y “diabetes” han
sido las más consideradas en los artículos con 19 y 10 repeticiones respectivamente.
Asimismo, palabras como “Diabetes Mellitus”, “Systematic Review”, “Meta-analysis”,
“Artificial intelligence” o “prediction” fueron utilizadas entre 6 y 4 veces como palabras clave.
El resto de palabras clave fueron utilizadas entre 1 y 3 veces. Con ello se puede deducir que
existen artículos que mencionan a machine learning en estudios relacionados con sistemas de
predicción.
3. Resultados
P1 ¿Qué métodos, técnicas y/o algoritmos son utilizados para la construcción de sistemas de
identificación de tendencias asociados otras a enfermedades relacionadas con la diabetes?
Tabla 5
Métodos utilizados en la construcción de sistemas de predicción
Referencia Método
(Schwartz et al., 2022) Sistema basado en reglas
(Schwartz et al., 2022) , (Silva, Jo, et al., Regresión logística
2020), (Id et al., 2021), (Zhu et al., 2021),
(Zaitcev et al., 2020), (Tuppad & Patil,
2022), (Aparicio et al., 2021), (Kodama et
al., 2022), (Zhang et al., n.d.)
(Schwartz et al., 2022), (Zhu et al., 2021), Redes neuronales convolucionales (CNN)
(Zaitcev et al., 2020), (Li et al., 2020),
(Felizardo et al., 2021)
(Nuankaew et al., 2021) Distancia objetiva ponderada promedio
(AWOD)
(Jaiswal et al., 2021), (Woldaregay et al., Support vector machine SVM
2019), (Nuankaew et al., 2021)
Tabla 6
Técnicas utilizadas en la construcción de sistemas de predicción
Referencia Técnica
(Schwartz et al., 2022) Programación Neurolingüística (PNL)
(Schwartz et al., 2022), (Chaki et al., 2020), Machine learning (ML)
(Safaei et al., 2021), (Silva, Kit, et al.,
2020), (Zhang et al., n.d.), (Kodama et al.,
2022), (Aparicio et al., 2021), (Tuppad &
Patil, 2022), (Id et al., 2021), (Hong et al.,
2020), (Zimmerman et al., 2021), (Ahmed et
al., 2022), (Xie & Wang, 2020),
(Woldaregay et al., 2019), (Jaiswal et al.,
2021)
(Schwartz et al., 2022), (Felizardo et al., Deep learning (DL)
2021), (Zaitcev et al., 2020), (Zhu et al.,
2021)
(Shahid & Singh, 2019),(Felizardo et al., Híbridas
2021), (Khan et al., 2021)
Nota. Elaboración propia.
Tabla 7
Algoritmos utilizados en la construcción de sistemas de predicción
Referencia Algoritmo
(Silva, Kit, et al., 2020), (Jaiswal et al., Redes neuronales artificiales (ANN)
2021), (Woldaregay et al., 2019), (Chaki et
al., 2020)
(Silva, Kit, et al., 2020), (Id et al., 2021), Regresión logística
(Zhu et al., 2021), (Zaitcev et al., 2020), (Li
et al., 2020), (Fitriyani et al., 2019)
(Silva, Kit, et al., 2020), (Q. Wang et al., Bosques aleatorios o Random Forest (RF)
2019), (Chaki et al., 2020)
(Silva, Kit, et al., 2020), (Fitriyani et al., Árboles de decisión
2019)
(Castelyn et al., 2021) Algoritmo heurístico basado en umbrales
(Castelyn et al., 2021) Algoritmo de autorregresión
(Shahid & Singh, 2019) AB (AdaBoost), Algoritmo evolutivo
(Ahmed et al., 2022) Máquinas de vectores de soporte
(Q. Wang et al., 2019) Naïve Bayes (NB)
(Q. Wang et al., 2019) Algoritmo CART, Algoritmo DMP_MI
(Fitriyani et al., 2019) Perceptrón multicapa
Nota. Elaboración propia.
P2 ¿Qué métodos, técnicas y/o algoritmos son los más eficientes para la construcción
de un sistema de identificación de tendencias para la diabetes?
En la siguiente tabla se muestran los métodos, técnicas y algoritmos más eficientes que son
empleados para un sistema de predicción. En base a las conclusiones de eficacia podemos
deducir cuál es la mejor.
Tabla 8
Métodos más eficientes en la construcción de sistemas de predicción
Tabla 9
Técnicas más eficientes en la construcción de sistemas de predicción
Tabla 11
Modelos de diagnóstico para la detección de diabetes
Tabla 12
Problemas encontrados para la construcción de un sistema de predicción
Referencia Problemática
(Safaei et al., 2021) Se menciona como problema que en la implementación de un
sistema de predicción en base a redes neuronales artificiales solo
se puede aplicar para un conjunto de parámetros conocidos.
(Id et al., 2021) Se evidencia cierto grado de comparabilidad en los resultados al
emplear solo 3 algoritmos de desempeño, pero existe ciertas
diferencias identificadas que son notables. Debido a esto se
recalca la importancia de aplicar un variedad de algoritmos para
obtener una mejores resultados.
(Jaiswal et al., 2021) Se menciona como problema que si no se fusiona un conjuntos
de datos para lograr una mejor precisión no tendremos una
modelo confiable.
(Schwartz et al., 2022) Se menciona como problema que un sistema simple basado en
reglas es inadecuado para identificar discusiones de prediabetes
debido a la poca especificidad.
(Q. Wang et al., 2019) Se menciona como problema que debido a la falta de sensibilidad
de la precisión para los datos desequilibrados, se consideran
indicadores integrales para la evaluación del desempeño, como la
precisión, la recuperación, la puntuación F1 y el Área bajo la
curva (AUC).
Nota. Elaboración propia.
4. Hallazgos
Los resultados obtenidos a partir de los estudios seleccionados mencionan que las técnicas
más usadas de la inteligencia artificial son el aprendizaje automático con mayor
predominancia, pero no menos importante también se evidencian estudios del aprendizaje
profundo. Posteriormente, se muestran los métodos cuya eficacia han generado mayores
resultados, según la tabla 11 fueron redes neuronales artificiales y regresión logística. Además,
se evidencian algoritmos utilizados en diversos estudios como regresión, bosque aleatorio,
redes neuronales artificiales, máquinas de vectores de soporte, entre otros. Sin embargo,
existen investigaciones que combinan múltiples técnicas de aprendizaje automático e incluso
optan por hacer una fusión con las técnicas y/o algoritmos del aprendizaje profundo ya que
pueden llegar a mejorar el rendimiento de un modelo planteado.
A partir de estos hallazgos uno de los algoritmos más eficientes a desarrollar sería la regresión
logística, ya que puede ser tan sólida como otros algoritmos para ciertas tareas de
clasificación, pero existe una particularidad respecto a las redes neuronales artificiales dado
que para su implementación en un modelo predictivo es necesario contar con un conjunto de
parámetros conocidos. Además, se evidencia que los modelos de diagnóstico más usados por
la medicina son los computacionales mediante los diversos modelos predictivos que provee la
inteligencia artificial.
5. Conclusiones
En este artículo, presentamos una revisión exhaustiva relacionado a los enfoques actuales de
las tecnologías que pretenden contribuir con la identificación de enfermedades como la
diabetes, particularmente se evidencio que el aprendizaje automático supervisado es una de las
técnicas más confiables para ser aplicadas a un modelo predictivo.
La complejidad de cada modelo propuesto dependerá de aquellos datos que sean manejados
para ciertas inferencias a tratar, es por eso que para la construcción del sistema se tiene que
tener en cuenta la forma en cómo se quiere manipular los datos y obtener los mejores
resultados, ya que la realización en base a un modelo de aprendizaje automático dependerá de
las características del conjunto de datos a ingresar. Sin embargo, uno de los métodos que
mejores resultados ha generado es la regresión logística, ya que el rendimiento alcanzado en
varios estudios lo colocan como uno de los mejores predictores, el cual puede ser uno de los
algoritmos a evaluar para la construcción de un sistema de identificación de tendencias para la
diabetes.
Particularmente se evidencia que los modelos predictivos tienen un alto grado de rendimiento
si se combinan técnicas del aprendizaje automático con el aprendizaje profundo, pero hay que
tener en cuenta que para aplicar un algoritmo en base a deep learning se tienen que considerar
ciertas especificaciones en base al conjunto de datos a procesar. Es por ello que para construir
un sistema de predicción también es posible evaluar un modelo mediante enfoques híbridos.
Referencias
Ahmed, U., Issa, G. F., Khan, M. A., Aftab, S., Khan, M. F., & Said, R. A. T. (2022).
Prediction of Diabetes Empowered With Fused Machine Learning. IEEE Access, 10,
8529–8538. https://doi.org/10.1109/ACCESS.2022.3142097
Aparicio, L. F., Noguez, J., Montesinos, L., & García, J. A. G. (2021). Machine learning and
deep learning predictive models for type 2 diabetes : a systematic review. Diabetology &
Metabolic Syndrome. https://doi.org/10.1186/s13098-021-00767-9
Asgari, S., Khalili, D., & Hosseinpanah, F. (2021). Prediction Models for Type 2 Diabetes
Risk in the General Population : A Systematic Review of Observational Studies. 19(3).
https://doi.org/10.5812/ijem.109206.Systematic
Barbaresko, J., Neuenschwander, M., Schwingshackl, L., & Schlesinger, S. (2019). Dietary
factors and diabetes-related health outcomes in patients with type 2 diabetes: Protocol for
a systematic review and meta-analysis of prospective observational studies. BMJ Open,
9(7). https://doi.org/10.1136/bmjopen-2018-027298
Castelyn, G., Laranjo, L., Schreier, G., & Gallego, B. (2021). Predictive performance and
impact of algorithms in remote monitoring of chronic conditions: A systematic review
and meta-analysis. International Journal of Medical Informatics, 156, 104620.
https://doi.org/10.1016/j.ijmedinf.2021.104620
Chaki, J., Thillai Ganesh, S., Cidham, S. K., & Ananda Theertan, S. (2020). Machine learning
and artificial intelligence based Diabetes Mellitus detection and self-management: A
systematic review. Journal of King Saud University - Computer and Information
Sciences, xxxx. https://doi.org/10.1016/j.jksuci.2020.06.013
Cicek, M., Buckley, J., Pearson-Stuttard, J., & Gregg, E. W. (2021). Characterizing
Multimorbidity from Type 2 Diabetes: Insights from Clustering Approaches.
Endocrinology and Metabolism Clinics of North America, 50(3), 531–558.
https://doi.org/10.1016/j.ecl.2021.05.012
Diouri, O., Cigler, M., Vettoretti, M., Mader, J. K., Choudhary, P., & Renard, E. (2021). A
systematic review on the latest developments. December 2020, 1–19.
https://doi.org/10.1002/dmrr.3449
Domingo-Lopez, D. A., Lattanzi, G., H. J. Schreiber, L., Wallace, E. J., Wylie, R., O’Sullivan,
J., Dolan, E. B., & Duffy, G. P. (2022). Medical devices, smart drug delivery, wearables
and technology for the treatment of Diabetes Mellitus. Advanced Drug Delivery Reviews,
185, 114280. https://doi.org/10.1016/j.addr.2022.114280
Eberle, C., Loehnert, M., Stichling, S., & Street, L. (2021). Clinical Effectiveness of Different
Technologies for Diabetes in Pregnancy : Systematic Literature Review Corresponding
Author : 23, 1–13. https://doi.org/10.2196/24982
Farmanfarma, K. H. K., Zareban, I., & Adineh, H. A. (2020). Prevalence of type 2 diabetes in
MiddleEast: Systematic review& meta-analysis. Primary Care Diabetes.
https://doi.org/10.1016/j.pcd.2020.01.003
Felizardo, V., Garcia, N. M., Pombo, N., & Megdiche, I. (2021). Data-based algorithms and
models using diabetics real data for blood glucose and hypoglycaemia prediction – A
systematic literature review. Artificial Intelligence in Medicine, 118(May), 102120.
https://doi.org/10.1016/j.artmed.2021.102120
Fitriyani, N. L., Syafrudin, M., Alfian, G., & Rhee, J. (2019). Development of Disease
Prediction Model Based on Ensemble Learning Approach for Diabetes and Hypertension.
IEEE Access, 7, 144777–144789. https://doi.org/10.1109/ACCESS.2019.2945129
Galbete, A., Tamayo, I., Librero, J., Enguita-Germán, M., Cambra, K., & Ibáñez-Beroiz, B.
(2022). Cardiovascular risk in patients with type 2 diabetes: A systematic review of
prediction models. Diabetes Research and Clinical Practice, 184.
https://doi.org/10.1016/j.diabres.2021.109089
Gandevani, S. B., Amiri, M., Yarandi, R. B., & Tehrani, F. R. (2019). The impact of
diagnostic criteria for gestational diabetes on its prevalence : a systematic review and
meta - analysis. Diabetology & Metabolic Syndrome, 1–18.
https://doi.org/10.1186/s13098-019-0406-1
Gautier, T., Ziegler, L. B., Gerber, M. S., Campos-Náñez, E., & Patek, S. D. (2021). Artificial
intelligence and diabetes technology: A review. Metabolism: Clinical and Experimental,
124. https://doi.org/10.1016/j.metabol.2021.154872
Haghi Kashani, M., Madanipour, M., Nikravan, M., Asghari, P., & Mahdipour, E. (2021). A
systematic review of IoT in healthcare: Applications, techniques, and trends. Journal of
Network and Computer Applications, 192(January), 103164.
https://doi.org/10.1016/j.jnca.2021.103164
Hong, N., Park, H., & Rhee, Y. (2020). Machine learning applications in endocrinology and
metabolism research: An overview. Endocrinology and Metabolism, 35(1), 71–84.
https://doi.org/10.3803/EnM.2020.35.1.71
Id, K. D. S., Id, S. L., Mousa, A., Teede, H., Forbes, A., Demmer, T., & Jo, D. (2021).
Nutritional markers of undiagnosed type 2 diabetes in adults : Findings of a machine
learning analysis with external validation and benchmarking. 1–21.
https://doi.org/10.1371/journal.pone.0250832
Jaiswal, V., Negi, A., & Pal, T. (2021). A review on current advances in machine learning
based diabetes prediction. Primary Care Diabetes, 15(3), 435–443.
https://doi.org/10.1016/j.pcd.2021.02.005
Kattini, R., Hummelen, R., & Kelly, L. (2020). Early Gestational Diabetes Mellitus Screening
With Glycated Hemoglobin : A Systematic Review. Journal of Obstetrics and
Gynaecology Canada, 1–6. https://doi.org/10.1016/j.jogc.2019.12.015
Khan, F. A., Zeb, K., Al-Rakhami, M., Derhab, A., & Bukhari, S. A. C. (2021). Detection and
Prediction of Diabetes Using Data Mining: A Comprehensive Review. IEEE Access, 9,
43711–43735. https://doi.org/10.1109/ACCESS.2021.3059343
Kodama, S., Fujihara, K., Horikawa, C., Kitazawa, M., Iwanaga, M., Kato, K., Watanabe, K.,
Nakagawa, Y., Matsuzaka, T., Shimano, H., & Sone, H. (2022). Predictive ability of
current machine learning algorithms for type 2 diabetes mellitus : A. 13(5), 900–908.
https://doi.org/10.1111/jdi.13736
Kvitkina, T., Narres, M., Claessen, H., Metzendorf, M. I., Richter, B., & Icks, A. (2020).
Incidence of stroke in the diabetic compared with the non-diabetic population: A
systematic review protocol. Diabetes/Metabolism Research and Reviews, 36(6).
https://doi.org/10.1002/dmrr.3311
Li, K., Daniels, J., Liu, C., Herrero, P., & Georgiou, P. (2020). Convolutional Recurrent
Neural Networks for Glucose Prediction. IEEE Journal of Biomedical and Health
Informatics, 24(2), 603–613. https://doi.org/10.1109/JBHI.2019.2908488
Madhava Prabhu, S., & Verma, S. (2019). A Systematic Literature Review for Early Detection
of Type II Diabetes. 2019 5th International Conference on Advanced Computing and
Communication Systems, ICACCS 2019, 220–224.
https://doi.org/10.1109/ICACCS.2019.8728377
Magliano, D. J., Islam, R. M., Barr, E. L. M., Gregg, E. W., Pavkov, M. E., Harding, J. L.,
Tabesh, M., Koye, D. N., & Shaw, J. E. (2019). Trends in incidence of total or type 2
diabetes : systematic review. 1–12. https://doi.org/10.1136/bmj.l5003
Nuankaew, P., Chaising, S., & Temdee, P. (2021). Average Weighted Objective Distance-
Based Method for Type 2 Diabetes Prediction. IEEE Access, 9, 137015–137028.
https://doi.org/10.1109/ACCESS.2021.3117269
Pease, A., Lo, C., Earnest, A., Kiriakova, V., Liew, D., Zoungas, S., Health, P., Medicine, P.,
Health, M., Health, A., Health, P., & Medicine, P. (2019). The efficacy of technology in
type 1 diabetes : a systematic review , network meta ‐ analysis , and narrative synthesis.
61(0), 1–30. https://doi.org/10.1089/dia.2019.0417
Peer, N., Balakrishna, Y., & Durao, S. (2020). Screening for type 2 diabetes mellitus
( Review ). https://doi.org/10.1002/14651858.CD005266.pub2.www.cochranelibrary.com
Ray, A., & Chaudhuri, A. K. (2021). Smart healthcare disease diagnosis and patient
management: Innovation, improvement and skill development. Machine Learning with
Applications, 3(July 2020), 100011. https://doi.org/10.1016/j.mlwa.2020.100011
Safaei, M., Sundararajan, E. A., Driss, M., Boulila, W., & Shapi’i, A. (2021). A systematic
literature review on obesity: Understanding the causes & consequences of obesity and
reviewing various machine learning approaches used to predict obesity. Computers in
Biology and Medicine, 136(August), 104754.
https://doi.org/10.1016/j.compbiomed.2021.104754
Santos, D. S., Regina, C., Batistelli, S., & Marilac, M. (2022). The effectiveness of the use of
telehealth programs in the care of individuals with hypertension and , or diabetes
mellitus : systematic review and meta - analysis. Diabetology & Metabolic Syndrome, 1–
9. https://doi.org/10.1186/s13098-022-00846-5
Schwartz, J. L., Tseng, E., Maruthur, N. M., & Rouhizadeh, M. (2022). Identification of
Prediabetes Discussions in Unstructured Clinical Documentation : Validation of a
Natural Language Processing Algorithm Corresponding Author : 10.
https://doi.org/10.2196/29803
Shahid, A. H., & Singh, M. P. (2019). Computational intelligence techniques for medical
diagnosis and prognosis: Problems and current developments. Biocybernetics and
Biomedical Engineering, 39(3), 638–672. https://doi.org/10.1016/j.bbe.2019.05.010
Shao, J., Tang, L., Wang, D., & Ye, Z. (2020). Reporting and Methods in Developing
Prognostic Prediction Models for Metabolic Syndrome : A Systematic Review and
Critical Appraisal. 4981–4992.
Silva, K. De, Jo, D., & Demmer, R. T. (2020). A combined strategy of feature selection and
machine learning to identify predictors of prediabetes. 27(December 2019), 396–406.
https://doi.org/10.1093/jamia/ocz204
Silva, K. De, Kit, W., Forbes, A., Demmer, R. T., Barton, C., & Enticott, J. (2020).
International Journal of Medical Informatics Use and performance of machine learning
models for type 2 diabetes prediction in community settings : A systematic review and
meta-analysis. International Journal of Medical Informatics, 143(July), 104268.
https://doi.org/10.1016/j.ijmedinf.2020.104268
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines.
Journal of Business Research, 104(July), 333–339.
https://doi.org/10.1016/j.jbusres.2019.07.039
Tuppad, A., & Patil, S. D. (2022). Machine learning for diabetes clinical decision support: a
review. Advances in Computational Intelligence, 2(2), 1–24.
https://doi.org/10.1007/s43674-022-00034-y
Vounzoulaki, E., Khunti, K., Abner, S. C., Tan, B. K., Davies, M. J., & Gillies, C. L. (2002).
Progression to type 2 diabetes in women with a known history of gestational diabetes :
systematic review and meta-analysis. https://doi.org/10.1136/bmj.m1361
Wang, Q., Cao, W., Guo, J., Ren, J., Cheng, Y., & Davis, D. N. (2019). DMP_MI: An
effective diabetes mellitus classification algorithm on imbalanced data with missing
values. IEEE Access, 7, 102232–102238. https://doi.org/10.1109/ACCESS.2019.2929866
Wang, Y., Liu, D., Li, X., Liu, Y., & Wu, Y. (2021). Antidepressants use and the risk of type 2
diabetes mellitus : A systematic review and meta-analysis. Journal of Affective Disorders,
287(45), 41–53. https://doi.org/10.1016/j.jad.2021.03.023
Woldaregay, A. Z., Årsand, E., Walderhaug, S., Albers, D., Mamykina, L., Botsis, T., &
Hartvigsen, G. (2019). Data-driven modeling and prediction of blood glucose dynamics:
Machine learning applications in type 1 diabetes. Artificial Intelligence in Medicine,
98(August 2018), 109–134. https://doi.org/10.1016/j.artmed.2019.07.007
Xie, J., & Wang, Q. (2020). Benchmarking Machine Learning Algorithms on Blood Glucose
Prediction for Type i Diabetes in Comparison with Classical Time-Series Models. IEEE
Transactions on Biomedical Engineering, 67(11), 3101–3124.
https://doi.org/10.1109/TBME.2020.2975959
Zaitcev, A., Eissa, M. R., Hui, Z., Good, T., Elliott, J., & Benaissa, M. (2020). A Deep Neural
Network Application for Improved Prediction of HbA 1c in Type 1 Diabetes. IEEE
Journal of Biomedical and Health Informatics, 24(10), 2932–2941.
https://doi.org/10.1109/JBHI.2020.2967546
Zhang, Z., Yang, L., Han, W., Wu, Y., & Zhang, L. (n.d.). Machine Learning Prediction
Models for Gestational Diabetes Mellitus : Meta-analysis Corresponding Author : 24.
https://doi.org/10.2196/26634
Zheng, M., Bernardo, C. D. O., Stocks, N., & Gonzalez-chica, D. (2022). Diabetes Mellitus
Diagnosis and Screening in Australian General Practice : A National Study. 2022.
Zhu, T., Li, K., Herrero, P., & Georgiou, P. (2021). Deep Learning for Diabetes: A Systematic
Review. IEEE Journal of Biomedical and Health Informatics, 25(7), 2744–2757.
https://doi.org/10.1109/JBHI.2020.3040225
Zimmerman, J., Soler, R. E., Lavinder, J., Murphy, S., Atkins, C., Hulbert, L., Lusk, R., & Ng,
B. P. (2021). Iterative guided machine learning-assisted systematic literature reviews : a
diabetes case study. 1–8.