Aplicación del clasificador Naive Bayes para la predicción del riesgo de diabetes tipo 2 en pacientes ambulatorios del centro de salud metropolitano - Puno

Resumen

En este estudio se evaluó el desempeño del clasificador Naive Bayes para predecir el riesgo de diabetes tipo 2 en pacientes ambulatorios atendidos en el Centro de Salud Metropolitano de Puno. El análisis se realizó sobre un conjunto de datos de 121 pacientes recolectados en 2023, que incluyó información clínica, antropométrica y nutricional. Para fortalecer la confiabilidad del modelo, se incorporaron técnicas de manejo del desbalance mediante SMOTE y métodos de calibración probabilística aplicados a las predicciones generadas por Naive Bayes. En el conjunto de prueba, el modelo alcanzó una precisión global del 88%, con sensibilidad del 100% y especificidad del 85%, registrando 17 verdaderos negativos, 5 verdaderos positivos, 0 falsos negativos y 3 falsos positivos, lo que evidencia su utilidad como herramienta de tamizaje para la identificación temprana de pacientes en riesgo de diabetes tipo 2. Adicionalmente, se contextualizaron sus resultados frente a enfoques comúnmente utilizados en problemas similares, permitiendo situar el desempeño de Naive Bayes dentro del panorama actual del aprendizaje automático aplicado a la salud pública. Se concluye que Naive Bayes representa una alternativa viable y operativamente accesible para apoyar procesos de diagnóstico temprano y priorización de intervenciones preventivas en centros de atención primaria.