Vergleichende Analyse der Diabetesvorhersage unter Verwendung von Machine Learning-Algorithmen

Diabetes mellitus (DM) ist ein ernsthaftes globales Gesundheitsproblem, dessen Prävalenz schnell wächst. Es handelt sich um ein Spektrum von Stoffwechselerkrankungen, die durch kontinuierlich erhöhte Blutzuckerspiegel gekennzeichnet sind. Unentdeckter Diabetes kann zu einer Vielzahl von Komplikationen führen, einschließlich Retinopathie, Nephropathie, Neuropathie und anderen vaskulären Anomalien. In diesem Kontext können Technologien des maschinellen Lernens (ML) insbesondere für die frühzeitige Erkennung, Diagnose und Überwachung der Therapie nützlich sein. Die zentrale Idee dieser Studie ist es, den leistungsstarken ML-Algorithmus zur Vorhersage zu identifizieren. Zu diesem Zweck wurden zahlreiche ML-Algorithmen ausgewählt, d. h. Support Vector Machine (SVM), Naïve Bayes (NB), K-nächstgelegener Nachbar (KNN), Random Forest (RF), logistische Regression (LR) und Entscheidungsbaum (DT). Zwei Datensätze, Pima Indian Diabetes (PID) und Deutschland-Diabetes, wurden verwendet, und die Forschung wurde mit dem Waikato Environment for Knowledge Analysis (WEKA) 3.8.6-Tool durchgeführt. Diese Forschung diskutierte Leistungskennzahlen und Fehlerraten von Klassifikatoren für beide Datensätze. Die Ergebnisse zeigten, dass für die PID-Datenbank (PIDD) SVM mit einer Genauigkeit von 74 % verbessert wurde, während für Deutschland RF und KNN mit einer Genauigkeit von 98,7 % verbessert wurden. Diese Studie kann Gesundheitseinrichtungen und Forschern helfen, den Wert und die Anwendung von ML-Algorithmen zur Vorhersage von Diabetes in einem frühen Stadium zu verstehen.