Análisis de rendimiento comparativo de aprendizaje automático cuántico y aprendizaje profundo para la predicción de diabetes

Resumen Antecedentes La diabetes, la emergencia de salud de más rápido crecimiento, ha creado varios desafíos potencialmente mortales para la salud pública a nivel mundial. Es un trastorno metabólico que desencadena muchas otras enfermedades crónicas como infarto, nefropatía diabética, accidentes cerebrovasculares, etc. El objetivo principal de este trabajo es desarrollar una herramienta de pronóstico basada en el conjunto de datos de diabetes PIMA India que ayude a los médicos a reducir la letalidad asociada a la diabetes. Métodos Basado en las características presentes en el conjunto de datos, se han propuesto dos modelos de predicción empleando técnicas de aprendizaje profundo (DL) y aprendizaje automático cuántico (QML). La precisión se ha utilizado para evaluar la capacidad de predicción de estos modelos desarrollados. Se han utilizado el rechazo de valores atípicos, la imputación de valores faltantes y la normalización para mejorar el rendimiento discriminatorio de estos modelos. Además, se ha comparado el rendimiento de estos modelos con modelos de vanguardia. Resultados Las medidas de rendimiento como precisión, exactitud, recuperación, puntuación F 1, especificidad, exactitud balanceada, tasa de detección falsa, tasa de detección perdida y razón de probabilidades diagnósticas se han obtenido como 0.90, 0.95, 0.95, 0.93, 0.95, 0.95, 0.03, 0.02 y 399.00 para el modelo DL respectivamente. Sin embargo, para el QML, estas medidas se han computado como 0.74, 0.86, 0.85, 0.79, 0.86, 0.86, 0.11, 0.05 y 35.89 respectivamente. Conclusión El modelo DL propuesto tiene una alta precisión en la predicción de diabetes en comparación con el QML desarrollado y los modelos de vanguardia existentes. También mejora el rendimiento en un 1.06% en comparación con trabajos reportados. Sin embargo, el rendimiento del modelo QML se ha encontrado satisfactorio y comparable con la literatura existente.