Ansätze des maschinellen Lernens und des tiefen Lernens zur Vorhersage des Diabetesverlaufs: Eine vergleichende Analyse

Die globale Belastung durch Diabetes mellitus (DM) eskaliert weiterhin und stellt die Gesundheitssysteme weltweit vor erhebliche Herausforderungen. Diese Studie vergleicht Methoden des maschinellen Lernens (ML) und des tiefen Lernens (DL), deren Hybriden und Ensemble-Strategien zur Vorhersage der gesundheitlichen Ergebnisse von Diabetespatienten. Diese Arbeit zielt darauf ab, die besten Lösungen zu finden, die ein Gleichgewicht zwischen rechnerischer Effizienz und genauer Vorhersage schaffen. Die Studie bewertete systematisch eine Reihe von prädiktiven Modellen, einschließlich ausgefeilter DL-Techniken und konventioneller ML-Algorithmen, basierend auf rechnerischer Effizienz und Leistungsindikatoren. Die Studie bewertete die Vorhersagegenauigkeit, die Verarbeitungsgeschwindigkeit, die Skalierbarkeit, den Ressourcenverbrauch und die Interpretierbarkeit anhand öffentlich zugänglicher Diabetes-Datensätze. Sie bewertet methodisch die ausgewählten Modelle anhand von Schlüssel-Leistungsindikatoren (KPIs), Trainingszeiten und Speicherverbrauch. AdaBoost erzielte die höchste F1-Punktzahl (0,74) auf PIMA-768, während RF auf PIMA-2000 (~0,73) überragte. Ein RNN führte die 3-Klassen-BRFSS-Umfrage (0,44), und ein feed-forward DNN erzielte hervorragende Ergebnisse bei dem binären BRFSS-Unterensatz (0,45), während RF auch eine perfekte Genauigkeit beim EMR-Datensatz (1,00) erreichte, was bestätigt, dass die Modellleistung eng mit der Größe, dem Merkmalsmix und der Labelstruktur jedes Datensatzes gekoppelt ist. Die Ergebnisse heben hervor, wie leichtgewichtige, interpretierbare ML- und DL-Modelle in ressourcenbeschränkten Umgebungen und für Echtzeitanalysen im Gesundheitswesen funktionieren. Die Studie vergleicht auch ihre Ergebnisse mit bestehenden Vorhersagemodellen und bestätigt die Vorteile ausgewählter ML-Ansätze zur Verbesserung der diabetesbezogenen medizinischen Ergebnisse, die für die praktische Umsetzung erheblich sind, und bietet einen zuverlässigen und effizienten Rahmen für die automatisierte Diabetesvorhersage zur Unterstützung initiativ ergreifender Krankheitsmanagement-Techniken und individueller Behandlungen. Die Studie schließt die Notwendigkeit ein, eine umfassende Bewertung und Validierung des Modells unter Verwendung aktueller institutioneller Datensätze durchzuführen, da dies die Genauigkeit, Sicherheit und das Vertrauen in die KI-unterstützte Entscheidungsfindung im Gesundheitswesen verbessert.