PERCEPCIÓN DE LOS PACIENTES RESPECTO AL CUIDADO

HUMANIZADO QUE BRINDA LAS ENFERMERAS EN LA

UNIDAD DE CUIDADOS INTENSIVOS HOSPITAL II
HUANCAVELICA - ESSALUD

Resumen

El Cuidado Humanizado es una necesidad que urge en la práctica profesional y esto se

evidencia en las políticas, disposiciones normativas establecidas por las entidades de salud que
velan por el derecho de los pacientes y garantizan la calidad del servicio que se brinda.
Objetivo: Determinar la percepción de los pacientes sobre el cuidado humanizado que brinda
las enfermeras en la unidad de cuidados intensivos hospital II Huancavelica – ESSALUD.
Material y métodos: la población total estuvo conformada 30 pacientes en la unidad de
cuidados intensivos. Resultados: que el Cuidado Humano que ofrece los enfermeros es regular
en un 52%, mientras que el 26%, es alto. Según las dimensiones: Satisfacción de necesidades:
el cuidado humano e 59% ofrece regular
, mientras que el 30% es alto; Habilidades, técnicas de enfermería el cuidado humano de
regular 91%, y el nivel bajo 9%. Autocuidado de la profesional es el cuidado humano de
regular un 57%, mientras 24% bajo. Aspectos éticos del cuidado el 65% en cuidado humano
de regular y el 13% bajo. Relación enfermera- paciente el 65% en cuidado humano de regular,
y el 20% Alto. Aspectos espirituales en un 87% en cuidado humano de regular, un 4% bajo.
Conclusión: el cuidado humanizado es dado en forma regular y es necesario implementar
estrategias, planes de mejoras y capacitación continua con la finalidad de generar la
sensibilización del personal de enfermería para aplicar buen trato al paciente desde un
abordaje basado en valores humanos.

Palabras clave: Cuidado Humanizado, Enfermería, Cuidado.

Abstract

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).

Organización Mundial de la Salud (OMS), ha motivado la promulgación de la política de

formación integral para el desarrollo humano de los profesionales de la salud, en búsqueda de
la protección de los derechos de las personas, a partir del lema: “Trato humanizado a la
persona sana y enferma” este organismo enfatiza que la Humanización “Es un proceso de
comunicación y apoyo mutuo entre las personas, encausada hacia la transformación y
comprensión del espíritu esencial de la vida” (2).

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).

El cuidado humanizado de enfermería es necesario en la práctica clínica-profesional, el cual

permite mejorar el cuidado que se brinda al paciente con el fin de propiciar su calidad de vida.
Es así que Espinoza L, Huerta K y Colaboradores 2010 en Perú En su estudio cuidado
humanizado y la percepción del paciente en el Hospital EsSalud manifiesta que la percepción
del cuidado humanizado: en el conocimiento científico, la capacidad técnica y la relación
terapéutica que el enfermero establece con el paciente, porque esto se supone acoger al otro de
una manera cálida sin dejar de ser uno mismo, despojándose de todos los factores externos que
en algún momento puedan afectar la atención comprometida y de óptima calidad que implica
el cuidado humanizado (4).
La percepción de los pacientes,

La diabetes es un trastorno metabólico considerado una enfermedad crónica que consiste en

niveles elevados de glucosa en la sangre durante un largo período en que el cuerpo ya no es
capaz de usarlo correctamente. Las complicaciones graves asociadas con la diabetes incluyen
cetoacidosis diabética, enfermedad cardiovascular, accidente cerebrovascular, insuficiencia
renal crónica y muchas otras complicaciones (Jaiswal et al., 2021). Según estadísticas
mundiales brindadas por la OMS se prevé que para el 2045 el número de pacientes con
Diabetes Mellitus (DM) será de 629 millones aproximadamente (Felizardo et al., 2021).
Debido al gran número de pacientes con diabetes es considerado un importante problema de
salud a nivel mundial.

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.

El trabajo está organizado de la siguiente manera, el punto 1 detalla la introducción y el estado

del arte, el punto 2 muestra la metodología de la revisión sistemática, seguido de los resultados
en el punto 3, el punto 4 aborda la discusión de resultados y el punto 5 las conclusiones,
finalizando con las referencias utilizadas.

Revisión de literatura

Cuidado de enfermería:

El cuidado es la esencia de enfermería, una actividad bridada por el profesional de enfermería

con habilidades muy valoradas para mantener y/o restablecer la salud del paciente. Se basa
principalmente en la relación enfermera – paciente. Muchas veces este proceso de
interrelación se ve afectado, y se olvida la verdadera esencia de nuestra profesión, la del
respeto a la vida, a la dignidad humana. Olvidamos los resultados visibles de nuestras
actividades: el alta, la disminución de infecciones intrahospitalarias, la satisfacción y la menor
están hospitalaria.

El cuidado de enfermería está representado por un conjunto de comportamientos que permite

mantener con vida y salud a los seres humanos, asegurando su supervivencia y satisfacción
con una continua interacción con su entorno, viviendo experiencias de salud. Por lo tanto, el
cuidado de enfermería implica un cuidado integral, amplio, y de calidad. Po ello el profesional
de enfermería tiene la integridad moral para formarse en lo científica, filosófico, ético y
espiritual, ya que tiene un compromiso con el paciente.

el concepto de cuidado ha evolucionado a través del tiempo y de las culturas el cuidado

inicialmente se realizaba de manera doméstica es decir era realizado por las mujeres en sus
hogares se prestaba entre los miembros del hogar o familiares cercanos y afortunadamente
esto en general se sigue haciendo las mamás se ocupan del cuidado de sus hijos o del cuidado
de las personas que lo necesitan dentro del hogar, posteriormente el cuidado se realizaba por
vocación debido a la influencia religiosa y al valor que se daba la enfermedad y a la salud
como designios de dios también seguimos en esa línea las personas religiosas le siguen dando
un lugar importante al cuidado afortunadamente hoy en día sigue siendo parte de su vocación
solo que ya no solamente está ligado a esta condición de religión sino que se ha ampliado en la
contemporaneidad como otra posibilidad de plantear la enfermería como una disciplina
interdependiente gracias que apoya a las personas en los momentos de salud y enfermedad. Se
puede concluir que el cuidado es el principal objeto de estudio de la enfermería.
Los resultados del cuidado de enfermería recaen en los intereses de la institución donde se
desempeña el personal de enfermería, para optimizar los estándares de salud. (20)

Cuidado humanizado

La humanización es la esencia del quehacer humano, es el actuar, el pensar, el reflexionar, el

hablar, el analizar, el socializar, el amar, es acompañar y sobre todo es cuidar. El cuidado es
importante en el quehacer de enfermería porque permite la interacción entre el profesional y la
persona objeto en los aspectos físicos emocionales espirituales y sociales que ayudan a lograr
un mejor estado de la persona en situación de salud y de enfermedad, no podemos fragmentar
al ser humano a su condición de enfermedad. El humanismo nuevamente es un término
polisémico, humanismo se refiere a la emancipación y eleva el género humano. El cuidar de
otro pierde sus sentidos si no hay un interés real en la persona o si el contexto donde se
otorgan los cuidados es adverso o altamente tecnificado pues el contacto humano se ve
limitado, esta debería estar constituida por acciones transpersonales e intersubjetivas para
proteger, mejorar y preservar la humanidad, ayudando a la persona a hallar un significado a la
enfermedad, sufrimiento, dolor y existencia y ayudar al otro a adquirir autocontrol
conocimiento y auto curación. La humanización tiene que estar presente en el cuidado, la
posibilidad de la dignidad en el reconocimiento del otro, así sea diferente y en la praxis con los
cuatro principios bioéticos: autonomía, justicia, no maleficencia, beneficencia. Se entiende por
tanto que el cuidado es un proceso de humanistas, un proceso de humanización, es otorgarle a
otro un lugar de dignidad. El cuidado humano va más allá de la acción de la enfermera, ya que
implica cambios colectivos que son trascendentales para la vida humana. (21)

Habilidades del profesional de enfermería en el cuidado humanizado

Hoy en día se resalta la importancia de desarrollar nuestras habilidades en el cuidado

humanizado de enfermería, con el único fin de brindar un servicio integral, holístico y de
calidad a los pacientes:

Respetar la dignidad de la persona: Se considera que el cuidado es personalizado, se hace

visible la preocupación por el bien común, por el bien de la humanidad, fomentando un
entorno donde se pueda desarrollar de manera integral, con condiciones que mejoren su
calidad de vida, que va más allá de la enfermedad. La enfermera brinda un cuidado consciente,
bondadoso, comprensivo, empático, amable, respetuoso para promover la dignidad humana.

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.

Comunicación afectiva y efectiva: La comunicación permite transmitir las necesidades del

paciente, es el instrumento de primera mano de la enfermera, de interacción, de expresión
libre, para crear un ambiente de confianza, es el momento ideal para aclarar las dudas y
proponer soluciones. La antesala para entablar una comunicación afectiva y efectiva, inicia
con la presentación del personal de enfermería, para permitir al paciente comprender su
situación, lograr su participación y cooperación con la enfermera.

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)

Categorías del cuidado humanizado

Cualidades del hacer de enfermería

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.

Apertura a la comunicación enfermera(o) – paciente

Es la ocasión de apertura de quien brinda los cuidados, a un proceso interactivo,

interrelacionar, empático y amable, a través del diálogo, escucha activa, presencia y la
comprensión de quien es cuidado. Implica las habilidades de comunicación de la enfermera.

Disposición para la atención

Es fortalecer el vínculo enfermera – paciente, requiere la interacción dinámica, interiorizar las

necesidades del paciente, para entenderlas y sumergirnos en su realidad, vistas desde
diferentes ángulos. (23)

Percepción

El concepto de percepción ha sido ampliamente incluido en la ciencia de la psicología. Según

los autores del movimiento Gestalt, la percepción es un proceso fundamental en la actividad
del pensar y es base indiscutible del aprendizaje, la memoria, el pensamiento, entre otros, para
su adecuado desarrollo. Un estado subjetivo para realizar una abstracción de hechos reales
relevantes. Es la interpretación de la realidad a través de las sensaciones, experiencias y
recuerdos previos. (24).

Características de la percepción

Es Subjetiva: y al mismo tiempo es individual, las reacciones a un estímulo varían de un

individuo a otro.

La condición de selectiva: un mismo individuo no puede abarcar diferentes estímulos al

mismo tiempo, por el que necesita centrarse en un campo especifico perceptual, de lo que se
desea percibir.

Es temporal: es un proceso a corto plazo, ya que los momentos de percepción evolucionan,

dependiendo de las experiencias, necesidades y motivaciones del individuo.

Percepción del cuidado humanizado

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

La diabetes mellitus es un trastorno metabólico resultante de un defecto en la secreción de

insulina, es decir, baja el nivel de glucosa en la sangre afectando la forma en que el cuerpo
convierte los alimentos en energía, es una enfermedad que se caracteriza por hiperglucemia
crónica y se asocia con una fuerte carga de salud micro vascular (retinopatía, nefropatía y
neuropatía) y complicaciones macro vasculares (cardiovasculares, enfermedad vascular
periférica y cerebrovascular) (Peer et al., 2020).

La diabetes mellitus es un importante problema de salud mundial y también una de las

enfermedades crónicas de más rápido crecimiento detectado en curso (Zheng et al., 2022),
afectando la calidad de vida de las personas así como el incremento de costos médicos (Q.
Wang et al., 2019). Hay dos tipos de diabetes, la de tipo 1 y la de tipo 2. La diabetes tipo 1 se
desarrolla dentro del cuerpo que afecta principalmente a las células beta del páncreas, lo que
lleva a una deficiencia de insulina e hiperglucemia, es por ello que aquellas personas con DM
tipo 1 dependen de la insulina la cual que debe ajustarse según los alimentos a consumir, la
actividad física, el estrés y la enfermedad de por sí (Pease et al., 2019). La diabetes tipo 2 hace
que las células del cuerpo no interactúen con la insulina o que las células pancreáticas no
produzcan suficiente insulina para regular los niveles de glucosa en la sangre la cual debilita el
metabolismo de los carbohidratos, las grasas y las proteínas, dando como resultado la diabetes
tipo 1 (Ahmed et al., 2022).

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

En el área de la medicina, la inteligencia artificial (IA) ha tenido una gran contribución a la

vida humana, gracias a la disponibilidad de diversas plataformas médicas y métodos
computacionales (Gautier et al., 2021) basados en aprendizaje automático (ML) y aprendizaje
profundo.

La diabetes se ha convertido en una de las principales enfermedades llevadas a cabo en

investigaciones médicas (Kodama et al., 2022) cuya atención está puesta en el aprendizaje
automático, que permite desarrollar modelos predictivos (Tuppad & Patil, 2022) y
herramientas impulsadas por IA para la detección de enfermedades (Ahmed et al., 2022) y el
control de las complicaciones asociadas con la diabetes (Silva, Kit, et al., 2020). Entre las
herramientas más utilizadas se tienen las técnicas de machine learning, el cual permite que los
sistemas inteligentes construyan modelos apropiados mediante el aprendizaje y la extracción
de patrones en los datos (Li et al., 2020); pues es necesario que un conjunto de datos
apropiados tenga las características necesarias para el respectivo entrenamiento y validación
(Ahmed et al., 2022).

Respecto a las aplicaciones tenemos el sistema basado en la predicción de la diabetes tipo 2

que fue construido a partir de un promedio ponderado objetivo basado en la distancia cuyos
resultados fueron prometedores ya que es un método de predicción novedoso (Nuankaew et
al., 2021). Otra de las aplicaciones con mejores resultados fue mediante el modelo fusionado
dos técnicas de aprendizaje automático, integrando al modelo propuesto la lógica difusa
(Ahmed et al., 2022).

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.

El tratamiento estadístico de la información se realizará siguiendo el proceso siguiente:

Seriación: Se asignará un número de serie, correlativo a cada encuentro (cuestionario), lo que
permitirá tener un mejor tratamiento y control de los mismos.
Codificación: Se elaborará un libro de códigos, donde se asignará un código a cada ítem de
respuesta, con ello se logrará un mayor control del trabajo de tabulación.
Tabulación: Mediante la aplicación de la técnica matemática de conteo se realizará la
tabulación extrayendo la información
ordenándola en cuadros simples y de doble entrada con indicadores de frecuencia y porcentaje.
Graficación: Una vez tabulada la encuesta, se procederá a graficar los resultados en graficas de
barras.
Todo lo que servirá para llevar los resultados al análisis e interpretación de los mismos, una
vez obtenidos los datos, se procederá a analizar cada uno de ellos, atendiendo a los objetivos y
variable de investigación y así podremos obtener una conclusión y recomendación para
mejorar la problemática.

Pacientes que no completen el total de las encuestas

Pacientes que respondan a la totalidad de las preguntas

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:

 Diseño de la revisión: Para ello se define el propósito de la investigación, el alcance de

la investigación, las preguntas de la investigación seguido del tipo de enfoque de
revisión (la cual pueden ser cualitativo, cuantitativo o tener un diseño mixto, para
luego desarrollar una estrategia de búsqueda la cual nos ayuda a identificar la literatura
relevante en base a los términos y base de datos estableciendo criterios de inclusión y
exclusión.

 Realización de la revisión: Se realiza una prueba piloto del proceso y protocolo de

revisión. Además, se reduce los términos de búsqueda y los criterios de inclusión en
una muestra más pequeña.

 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:

 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?
O1: Identificar los métodos, técnicas o algoritmos que se emplean para la construcción
de sistemas de identificación de tendencias asociados a otras enfermedades
relacionadas con la diabetes.

 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.

 P3 ¿Qué modelos de diagnóstico son empleados para la detección de la diabetes?

O3: Identificar los modelos de diagnóstico que son empleados para la detección de la
diabetes.

 P4 ¿Qué problemas se han encontrado para construir un sistema de identificación de

tendencia?
O4: Determinar cuáles son han sido los problemas intervinientes en la construcción del
sistema de identificación de tendencia.
2.2 Estrategia de búsqueda

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
Artículos cuyos temas de investigación están
orientados a la detección de la diabetes.
Criterios de exclusión
Artículos que mencionen síntomas no
relacionados con la diabetes.

Artículos que mencionen métodos, técnicas Artículos sin ser probados.

y/o algoritmos para la construcción de un
sistema predictivo para la diabetes.
Artículos que guarden relación con la Informes de casos, estudios de casos,
enfermedad de la diabetes. boletines, comentarios.
Artículos publicados del 2019 hasta el 2022.
Artículos indexadas y que tengan DOI
Artículos escritos en Ingles
Nota. Elaboración propia.

Posteriormente se identificaron las fuentes o bases de datos bibliográficas tales como

SCIENCE DIRECT, PUBMED E IEEEXPLORE para ubicar los artículos relevantes a las
preguntas de investigación formuladas. Además, se determinó un seleccionado de palabras
claves que fueron las siguientes: "Models", "Methods", "Algorithms", "predictions", "trends",
"diabetes", "diagnosis", la cual sirvió para establecer la siguiente cadena de búsqueda
“Diabetes” and (predictions or trends) and (Models or Methods or Algorithms) and diagnosis.

2.3 Selección de estudios

De acuerdo a los criterios definidos para la búsqueda y selección de artículos en la primera

etapa de identificación se encontraron 7329 artículos en relación a la cadena de búsqueda de
las diferentes fuentes bibliográficas. En la segunda etapa de cribado se revisaron los artículos
en relación a los criterios de inclusión y exclusión ya señalados, donde se obtuvieron 446
estudios. Finalmente, en la tercera etapa los artículos se evalúan y vuelven a seleccionar
nuevamente acorde a los criterios de elegibilidad a partir del título, las palabras claves, y el
resumen considerando solo las que tengan que ver con el tema de estudio; en primera instancia
se obtienen 14 artículos de ScienceDirect, de PubMed se obtienen 150 pero eliminando 123
duplicados tenemos 27 estudios, de IEEE Xplore se obtiene 80 estudios de los cuales se
eliminan 70 duplicados obteniendo un total de 10 trabajos, ante esto se concluye la selección
de 50 artículos los cuales contribuyen a la construcción de un sistema de identificación de
tendencias para la diabetes.

Tabla 2
Sintaxis de selección de estudios

Base de Datos Etapa 1: Etapa 2 : Etapa 3: Artículos Estudios

Bibliográficas Identificación Cribado Elegibilidad Eliminados seleccionados
ScienceDirect 5487 80 14 0 14

PubMed 531 249 150 123 27

IEEE Xplore 1311 117 80 70 10
Total 7329 446 244 193 50
Nota. Elaboración propia.

2.4 Extracción y análisis de datos

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.

Para mayor detalle se proporciona el siguiente enlace:

https://docs.google.com/spreadsheets/d/1IW78U_L0xOpYw15FeKQ3HZB5Bnl_ly2s/edit?
usp=sharing&ouid=114897038577244842540&rtpof=true&sd=true

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%

Nota. Elaboración propia.

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

Referencia de artículo Número

de citas
(Vounzoulaki et al., 2002) 95
(Woldaregay et al., 2019) 71
(Gandevani et al., 2019) 61
(Magliano et al., 2019) 46
(Haghi Kashani et al., 2021) 37
(Chaki et al., 2020) 28
(Shahid & Singh, 2019) 22
(Fitriyani et al., 2019) 14
(Q. Wang et al., 2019) 13
(Xie & Wang, 2020); (Zaitcev et al., 2020) 9
(Farmanfarma et al., 2020); (Safaei et al., 2021) 8
(Pease et al., 2019); (Peer et al., 2020) 7
(Jaiswal et al., 2021); (Silva, Kit, et al., 2020) 6
(Kattini et al., 2020); (Shao et al., 2020); (Silva, Jo, et al., 2020) 4
(Khan et al., 2021); (Zhu et al., 2021); (Hong et al., 2020) 3
(Galbete et al., 2022); (Castelyn et al., 2021); (Gautier et al., 2021) 2
(Madhava Prabhu & Verma, 2019); (Eberle et al., 2021); (Zhang et al., n.d.); 1
(Aparicio et al., 2021); (Y. Wang et al., 2021); (Id et al., 2021); (Cicek et al.,
2021); (Felizardo et al., 2021)
(Ray & Chaudhuri, 2021); (Domingo-Lopez et al., 2022); (Santos et al., 2022); 0
(Kodama et al., 2022); (Tuppad & Patil, 2022); (Diouri et al., 2021); (Kvitkina et
al., 2020);(Schwartz et al., 2022); (Asgari et al., 2021); (Barbaresko et al., 2019);
 (Zimmerman et al., 2021); (Zheng et al., 2022)
Nota. Elaboración propia.

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

Palabras clave Frecuencia

Machine learning 19
Diabetes 9
Diabetes Mellitus, Systematic Review 6
Meta-analysis 5
Artificial intelligence, Type 1 diabetes, deep learning, prediction 4
Type 2 diabetes, Diagnosis, Prognosis, prediabetes 3
disease prediction, deep neural network, data mining, Hypertension, 2
Telehealth, eHealth, detection, Type 2 diabetes mellitus, prediction model
Uncertainty, Medical data, Computational intelligence, Disease diagnosis, 1
prognostic model, digital health, gestational diabetes mellitus,
Telemonitoring, Chronic disease, Cardiovascular disease, Respiratory
disease, metabolic syndrome, risk, eHealth, pregnancy, digital health,
diabetes technologies, diabetes management, Neural networks, Validatio,
Cardiovascular risk factors, Automation, algorithms, devices,
hypoglycaemia, sensors, Middle–East, Antidepressants use, New onset,
Diabetes prediction, Review, Electronic health records, incidences,
population-based study, protocol, stroke, NHANES, feature selection,
predictors, Endocrinology, Metabolism, Osteoporosis, Pituitary, Thyroid,
Adrenal, Clinical decision support, Risk assessment, chronic disease
management ,natural language processing, physician-patient
communication, prediabetes discussions, prediabetes management, Type
2,continuous glucose monitor(CGM), glucose prediction, long short term
memory (LSTM),Diabetic prediction, fuzzy system, fused machine learning
model, diabetic symptoms, Objective distance, weighting factors,
information gain, Diabetes mellitus prediction, adaptive synthetic sampling,
Benchmark, deep neural network, regression, Convolutional neural
networks, regression analysis, feature extraction, ensemble learning,
imbalanced data, glucose management, diabetic complications,
Thermography, Computer Aided Design (CAD), Foot ulcers, Image
Processing, m-Health, Bolus advisors, Continuous glucose monitoring,
Flash glucose monitoring; Insulin pumps, Network meta-analysis, Machine
learning configurations, Natural language processing, Systematic review
screening, Transfer learning, Applied case stud, Diagnostic criteria,
Prevalence, TRIPOD,PROBAST, Prediction Models, Gestational diabetes,
 Diabetes prediction, big data, Blood glucose dynamics, Blood glucose level
prediction, SVM, Bayesian network, Apriori Algorithm, Back propagation
algorithm, Artificial neural network, Medical devices, Insulin, Glucagon,
Closed-loop, Hybrid, Algorithm, Glucose responsive, Islet encapsulation,
Internet of things (IoT), Healthcaree-health, Risk factors, Diseases, Obesity,
Overweight, Chronic kidney disease (CKD),pancreatic carcinoma, early
diagnosis, consensus, hyperglycaemia, Multimorbidity, Clustering,
Comorbidities, Complications, Patterns, Population health, Risk
stratification, Data-based algorithms or models, Diabetics real data, Type 2
diabetes mellitus, Hypoglycaemia or hypoglycemia, Blood glucose
level,Performance measure, Scopus database, PubMed database, metabolic
syndrome, prediction model
Nota. Elaboración propia.

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

En esta sección se da respuesta a las preguntas de investigación planteadas en el apartado de

metodología. Sin embargo, en la literatura se identificaron métodos, técnicas y algoritmos en
base a ello se aclara el significado de dichos términos:
 Método: Procedimiento que se sigue para conseguir algo.
 Técnica: Uso de una de las ramas de la inteligencia artificial.
 Algoritmo: Obtiene la información que necesitamos para tomar decisiones o predecir
el comportamiento de los datos.

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?

En la tabla 6, 7 y 8 se muestran los métodos, técnicas y algoritmos más utilizados en la

construcción de un sistema de predicción, recabado de los artículos de investigación
seleccionados.

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)

(Nuankaew et al., 2021) Vecinos más cercanos

(Q. Wang et al., 2019) Muestreo sintético adaptativo (ADASYN)

(Q. Wang et al., 2019) Clasificación
(Xie & Wang, 2020) Método recursivo o directo
(Zaitcev et al., 2020) Red Neuronal Artificial con aprendizaje
supervisado
(Vounzoulaki et al., 2002) Estadisticos: Begg y Egger
Nota. Elaboración propia.

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

Método Resultados Obtenidos de las Eficiencia

Métodos
Redes neuronales Se obtuvo un mayor rendimiento a Eficiente
artificiales comparación de otros utilizados
métodos de pruebas que ha
generado grandes posibilidades en
el reconocimiento de patrones de
enfermedades (Safaei et al., 2021).
Regresión logística Se obtuvo un alto rendimiento para Muy eficiente
predicciones (Silva, Jo, et al.,
2020), es un método que puede
aplicarse dependiendo de las
 necesidades del sistema a
implementar (Schwartz et al.,
2022).
Distancia objetiva El método basado en AWOD Muy eficiente
ponderada promedio proporcionó una precisión del
(AWOD) 93,22 % y del 98,95 % para el
conjunto de datos 1 y el conjunto
de datos 2, respectivamente
(Nuankaew et al., 2021).
Begg y Egger Los resultados obtenidos indican Poco eficiente
que las pruebas de Begg y Egger no
fueron estadísticamente
Significativas (Vounzoulaki et al.,
2002).
Nota. Elaboración propia.

Tabla 9
Técnicas más eficientes en la construcción de sistemas de predicción

Técnica Resultados Obtenidos de los Eficiencia

Técnicas
Aprendizaje Se obtuvo un mayor rendimiento en Muy eficiente
automático las pruebas realizadas con los
diferentes algoritmos, permitiendo
la toma de decisiones con un mayor
grado de precisión (Jaiswal et al.,
2021)
Deep Learning Los resultados mostraron que los Eficiente
modelos DNN,CNN y otros en base
a la técnica del aprendizaje
profundo tienen un alto grado de
rendimiento a comparación el
aprendizaje automático
convencional (Zhu et al., 2021)
Híbridas La aplicación de técnicas híbridas Muy eficiente
muestra una mejor precisión de
predicción y detección en
comparación con los modelos
individuales ya que se apoyan entre
sí para brindar resultados
impactantes (Khan et al., 2021).
Nota. Elaboración propia.
Tabla 10
Algoritmos más eficientes en la construcción de sistemas de predicción

Algoritmo Resultados Obtenidos de Eficiencia

Regresión logística
Redes neuronales artificiales
DMP_MI
Nota. Elaboración propia.
Algoritmos
Se obtuvo un alto Muy eficiente
rendimiento para predecir
enfermedades(Silva, Jo, et
al., 2020), este método se
aplicó dependiendo de las
necesidades del sistema a
implementar (Schwartz et
al., 2022).
Se obtuvo mejores resultados Eficiente
enfocado en el
reconocimiento de patrones
de enfermedades (Safaei et
al., 2021).
El algoritmo DMP_MI Eficiente
propuesto ha superado a
otros algoritmos en precisión
con un 87.10% y otros
indicadores de rendimiento
del clasificador demostrando
un gran potencial para la
predicción de la diabetes (Q.
Wang et al., 2019).

 P3 ¿Qué modelos de diagnóstico son empleados para la detección de la diabetes?

O3: Identificar los modelos de diagnóstico que son empleados para la detección de la
diabetes.
En la siguiente tabla se muestran los modelos de diagnóstico computacionales y no
computacionales empleados para la detección de enfermedades como la diabetes. Dentro de
los computacionales se encontraron modelos predictivos construidos mediante las técnicas de
inteligencia artificial. Sin embargo, se encontraron también encuestas y criterios de
diagnóstico considerados modelos no computacionales para su aplicación en sistemas de
predicción.

Tabla 11
Modelos de diagnóstico para la detección de diabetes

Referencia Modelos de diagnóstico

(Gautier et al., 2021) Encuestas auto informadas
 (Gautier et al., 2021)), (Jaiswal et Modelos predictivos construidos mediante técnicas de
al., 2021), (Shahid & Singh, 2019), inteligencia artificial como SVM, RL, nave bayes,
(Felizardo et al., 2021), (Hong et árboles de decisión, ANN, entre otros.
al., 2020), (Schwartz et al., 2022),
(Zhang et al., n.d.), (Kodama et al.,
2022), (Aparicio et al., 2021),
(Tuppad & Patil, 2022),
(Nuankaew et al., 2021), (Xie &
Wang, 2020)
(Y. Wang et al., 2021), (Safaei et Uso de criterios de diagnóstico de diabetes como sexo,
al., 2021),(Galbete et al., 2022) edad, consumo de alcohol, depresión, obesidad, IMC,
hipertensión, etc.
(Madhava Prabhu & Verma, 2019) Termografía mediante el sistema detección asistido por
ordenador (CAD)
Nota. Elaboración propia.

 P4 ¿Qué problemas se han encontrado para construir un sistema de identificación de

tendencia?

En la siguiente tabla se muestran las problemáticas evidenciadas de los distintos estudios

seleccionados al construir un sistema de predicción.

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.

Ante la totalidad de resultados obtenidos podemos deducir que la inteligencia artificial ha

venido abarcando el sector salud de forma progresiva para asistir a los centros de salud de
alguna u otra forma mediante el uso de modelos predictivos y herramientas tecnológicas que
ayuden a diagnosticar y prevenir enfermedades como la diabetes.

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.