Diabetes ist ein bedeutendes öffentliches Gesundheitsproblem, insbesondere in einkommensschwachen und mittleren Gruppen, wo die Verfügbarkeit klinischer Diagnosetests begrenzt oder nicht vorhanden ist. Ziel dieser Arbeit ist es, einen auf maschinellem Lernen (ML) basierenden, nicht-invasiven, erschwinglichen und skalierbaren Rahmen für das frühe Screening von Diabetes aus binären Gesundheitsumfragedaten zu schaffen. Die vorgeschlagene Methode gleicht gesundheitliche Ungleichheiten aus, da Screenings auf Gemeindeebene ohne Abhängigkeit von laborbasierten Tests durchgeführt werden können. Sechs Modelle zur maschinellen Klassifikation, nämlich Random Forest, Logistische Regression, Entscheidungsbaum, Gradient Boosting, AdaBoost und ein Abstimmungs-Klassifikator, wurden auf dem Datensatz des Behavioral Risk Factor Surveillance System (BRFSS) von 2015 implementiert, der über 300.000 anonymisierte Datensätze enthielt. Ansätze zur rekursiven Merkmalseliminierung und zur korrelationsbasierten Merkmalsauswahl wurden verwendet, um die Leistung und Einfachheit der Modelle zu optimieren. Die Daten wurden durch Label-Encoding, Normalisierung über Z-Score und Klassenbalance basierend auf SMOTE bearbeitet. Die Modelle wurden mit einer stratifizierten 5-fachen Kreuzvalidierung trainiert und getestet, wobei Leistungsmaße wie Genauigkeit, Rückruf, F1-Score und ROC-AUC angestrebt wurden. Von allen Modellen bot der Abstimmungs-Klassifikator mit RFE die höchste Rückrufquote (0,62) und zeigte eine starke Sensitivität beim Erkennen von Hochrisikopersonen. Dies unterstützt erneut die Verwendung von nur Umfragedaten zur effizienten Identifizierung von Personen, die einem Risiko für Diabetes ausgesetzt sind, unter nicht-klinischen Bedingungen. Die Forschung stellt einen sozial bedeutenden und reproduzierbaren KI-Rahmen zur Verfügung, um präventive Maßnahmen gerecht zu erleichtern, insbesondere in benachteiligten Kontexten. Sie steht im Einklang mit den Zielen für nachhaltige Entwicklung (SDG 3: Gesundes Leben und Wohlergehen, und SDG 10: Weniger Ungleichheiten) und bietet praktische Erkenntnisse für politische Entscheidungsträger, Fachkräfte im Bereich öffentliche Gesundheit und NGOs, die nach skalierbaren digitalen Gesundheitsanwendungen suchen.
Sulaiman et al. (Thu,) untersuchten diese Frage.