Diabetes mellitus stellt eine wachsende Herausforderung für die öffentliche Gesundheit dar, die einkommensschwache und mittlere Länder überproportional betrifft, in denen ländliche Gemeinschaften oft keinen Zugang zu laborbasierten diagnostischen Infrastrukturen haben. Diese Studie präsentiert ein Proof-of-Concept-Maschinenlernmodell für ein nicht-invasives Diabetes-Screening mithilfe von vier leicht verfügbaren Merkmalen: Body Mass Index (BMI), Alter, Bluthochdruck (HighBP) und allgemeinen Gesundheitszustand (GenHlth). Ein Random Forest-Klassifizierer wurde mit dem Datensatz des CDC Behavioral Risk Factor Surveillance System (BRFSS) 2015 trainiert, der 70.692 ausgewogene Aufzeichnungen umfasst. Das Modell erreichte eine Gesamtgenauigkeit von 73 %, eine Präzision von 71 % und einen Recall von 77 % für diabetische Fälle. Das Modell wurde erfolgreich in Google Cloud Vertex AI bereitgestellt, was die Einsatzbereitschaft auf Produktionsniveau demonstriert. Diese Arbeit zeigt, dass ein einfaches, kostengünstiges Screening-Tool basierend auf nicht-invasiven Eingaben für den Einsatz durch Gemeindegesundheitsarbeiter in unterversorgten ländlichen Gebieten entwickelt und bereitgestellt werden kann.
Tesfaye H. Kifle (Sat,) hat diese Frage untersucht.