GDMSafe: Enhancing gestational diabetes prediction through visceral adipose tissue and ensemble learning models

GDMSafe: Mejora de la predicción de la diabetes gestacional mediante tejido adiposo visceral y modelos de aprendizaje conjunto

Introduction: Globally, diabetes is common chronic disease, which occurs when the pancreas in the body cannot generate enough insulin or body cannot utilize the generated insulin. Particularly, Gestational Diabetes Mellitus is the frequent condition, associated with the high maternal and fetal and morbidity. It is significant to detect the disease earlier to evade consequences in the future. Traditionally, detection of gestational diabetes comprises of the GCT (Glucose Challenge Test), OGTT (Glucose Tolerant Test). Conversely, it is the time consuming, inconvenience and subjectivity process. Purpose: To address the issue, conventional researches used AI (Artificial Intelligence) technology to automate the detection procedure. Nevertheless, it is limited by accuracy, speed, handling of larger datasets and high error rate. To overcome the problem, proposed model aimed at developing a predictive model to ascertain GDM based on the Visceral Fat deposit by leveraging the benefits of Ensemble learning methods. Contradicting the principles of Occam’s razor, ensemble models introduce complexity but still reduces the generalization error. Methodology: A group of 133 pregnant women upto 20 weeks of gestation from Physionet is utilized for this study and it has been already proven that there exists a strong correlation between VAT and GDM. Results: Convincing ROC and Accuracy is achieved and a comparison with PIMA Indian dataset demonstrate the robustness of the model for predicting Gestational Diabetes to move the knowledge in this field a little further along. 

Introducción: A nivel mundial, la diabetes es una enfermedad crónica común, que ocurre cuando el páncreas del cuerpo no puede generar suficiente insulina o el cuerpo no puede utilizar la insulina generada. En particular, la Diabetes Mellitus Gestacional es una condición frecuente, asociada a alta morbilidad materna y fetal. Es importante detectar la enfermedad a tiempo para evitar consecuencias en el futuro. Tradicionalmente, la detección de la diabetes gestacional se compone de la prueba de provocación con glucosa (TCG) y la prueba de tolerancia a la glucosa (PTGO). Por el contrario, es un proceso que consume tiempo, es inconveniente y subjetivo. Propósito: Para abordar el problema, las investigaciones convencionales utilizaron tecnología de IA (Inteligencia Artificial) para automatizar el procedimiento de detección. Sin embargo, está limitado por la precisión, la velocidad, el manejo de conjuntos de datos más grandes y una alta tasa de error. Para superar el problema, el modelo propuesto tuvo como objetivo desarrollar un modelo predictivo para garantizar la GDM basada en el depósito de grasa visceral aprovechando los beneficios de los métodos de aprendizaje de conjunto. Contradiciendo los principios de la navaja de Occam, los modelos de conjunto introducen complejidad pero aun así reducen el error de generalización. Metodología: Para este estudio se utiliza un grupo de 133 mujeres embarazadas de hasta 20 semanas de gestación de Physionet y ya se ha demostrado que existe una fuerte correlación entre VAT y DMG. Resultados: Se logra una ROC y una precisión convincentes y una comparación con el conjunto de datos indios PIMA demuestra la solidez del modelo para predecir la diabetes gestacional y hacer avanzar un poco más el conocimiento en este campo.

Introdução: Globalmente, o diabetes é uma doença crônica comum que ocorre quando o pâncreas não consegue gerar insulina suficiente ou o corpo não consegue utilizar a insulina gerada. Particularmente, o Diabetes Mellitus Gestacional é uma condição frequente, associada a alta morbidade materna e fetal. É importante detectar a doença precocemente para evitar consequências no futuro. Tradicionalmente, a detecção do diabetes gestacional compreende o TCG (Teste de Provocação de Glicose) e o TTGO (Teste de Tolerância à Glicose). Por outro lado, é um processo demorado, inconveniente e subjetivo. Objetivo: Para abordar o problema, a pesquisa convencional usa tecnologia de IA (Inteligência Artificial) para automatizar o procedimento de detecção. Entretanto, é limitado pela precisão, velocidade, manuseio de conjuntos de dados maiores e alta taxa de erro. Para superar o problema, o modelo proposto teve como objetivo desenvolver um modelo preditivo para determinar o GDM com base no depósito de gordura visceral, aproveitando os benefícios dos métodos de aprendizagem do Ensemble. Contrariando os princípios da navalha de Occam, os modelos de conjunto introduzem complexidade, mas ainda reduzem o erro de generalização. Metodologia: Utilizouse neste estudo um grupo de 133 gestantes com até 20 semanas de gestação da Physionet e já foi comprovado que existe uma forte correlação entre VAT e GDM. Resultados: ROC e precisão convincentes são alcançados e uma comparação com o conjunto de dados indiano PIMA demonstra a robustez do modelo para prever diabetes gestacional para levar o conhecimento neste campo um pouco mais adiante.