Modelo Transformer para identificar la nefropatía diabética en pacientes con DMT2

Abstract

La nefropatía diabética (ND) es una de las principales complicaciones de la diabetes mellitus tipo 2 y constituye una causa relevante de insuficiencia renal en la población. Su diagnóstico temprano es un reto clínico, pues depende de múltiples factores clínicos y de laboratorio. En este contexto, el uso de modelos de inteligencia artificial ofrece una alternativa prometedora para apoyar la toma de decisiones médicas. En esta tesis se desarrolló un modelo de clasificación basado en arquitecturas Transformer, adaptadas al análisis de datos tabulares médicos, con el propósito de identificar la presencia de ND en pacientes mexicanos. La investigación se sustentó en la base de datos abierta DiabetIA, de la cual se trabajó con una muestra representativa de m´ as de 7 mil pacientes, considerando tanto positivos como negativos al diagnóstico de ND. El proceso metodológico incluyo: (i) preprocesamiento de los datos para eliminar inconsistencias y balancear las clases; (ii) selección de características mediante Lasso y RFE, con el fin de identificar las variables clínicas más relevantes; y (iii) entrenamiento de un modelo Transformer diseñado específicamente para datos mixtos (continuos y categóricos). Los experimentos comparativos se realizaron contra modelos clásicos de Machine Learning (Regresión Logística, Random Forest, XGBoost) y contra arquitecturas modernas de Deep Learning para datos tabulares (TabNet, TabTransformer y GatedTabTransformer). Los resultados demuestran que el modelo propuesto alcanzo una precisión al 99%, alcanzando a los modelos de referencia y validando la hipótesis planteada de que un enfoque basado en Transformers puede mejorar significativamente la clasificación de ND. Asimismo, el análisis de casos de estudio confirmo la aplicabilidad clínica del modelo. Las principales contribuciones de este trabajo incluyen: (i) la propuesta metodológica de un marco reproducible para la clasificación de ND con Transformers, y (ii) la incorporación de lineamientos éticos y técnicos para su posible implementación en sistemas de apoyo al diagnóstico.