Prediction of type 2 diabetes mellitus in adult patients using binary logistic regression.

  • Belkis Sánchez Martínez Universidad Regional Autónoma de Los Andes
  • Vladimir Vega Falcón Universidad Regional Autónoma de Los Andes
  • Nairovys Gómez Martínez Universidad Regional Autónoma de Los Andes https://orcid.org/0000-0001-7986-8328
Keywords: Diabetes Mellitus type 2, adult patients, prediction, probability, binary logistic regression

Abstract

Diabetes Mellitus type 2 (DM2) is a disease associated to risk factors, characterized by high morbidity and mortality. The objective was to predict the probability of the population of a medical office in Cuba to develop DM2. It was an observational, cross-sectional, retrospective and analytical study, corresponding to the predictive level, developed in 628 patients. Binary logistic regression was used, with the support of SPSS 25. As a result, it was possible to predict the probability of the population getting sick with DM2. In conclusion, it was found that those with genetic predisposition and arterial hypertension had a higher risk of developing DM2, but the same did not occur with age and sex, whose relationships were not significant.

References

Berea R, Rivas R, Pérez M, Palacios L, Moreno J, Talavera J. (2014). Del juicio clínico a la regresión logística múltiple. Rev Med Inst Mex Seguro Soc. 52 (2): 192-7.

Berlanga-Silvente, V. y Vilà-Baños, R. (2014). Cómo obtener un modelo de regresión logística binaria con SPSS. REIRE, Revista d’Innovació i Recerca en Educació, 7 (2), 105-118.

Borroto Diaz, G., y Rodríguez Pérez, H. (2009). Propuesta de un modelo predictivo del posible desarrollo de la diabetes mellitus postrasplante renal. Revista Cubana de Medicina, 48(1), 0-0.

Cornfield, J., Gordon, T., & Smith, W. W. (1961). Quantal response curves for experimentally uncontrolled variables.Bull Int Stat Inst,38(3), 97-115.

Di, R. & Ángeles M. (2011). Declaración de Helsinki, principios y valores bioéticos en juego en la investigación médica con seres humanos.Revista colombiana de bioética, 6(1), 125-144.

Docampo García, M., & López Rey, M. J. (2018). Evolución futura de la diabetes mellitus. Un análisis en el caso español.Revista Española de Salud Pública,92, e201808056.

Fagherazz, G., & Ravaud, P. (2019). Digital diabetes: Perspectives for diabetes prevention, management, and research. Diabetes & Metabolism, (45), 322-329.

García, M., & Durruty, P. (2009). Prevención de la diabetes mellitus tipo 2.Revista Médica [Internet],20(5), 580-587.

Cuaya-Simbro, G., Ruiz, E., Munoz-Meléndez, A., & Morales, E. F. (2017). Análisis de readmisión hospitalaria de pacientes diabéticos mediante aprendizaje computacional.Research in Computing Science,138, 147-157.

International Diabetes Federation. (2019). Atlas de la Diabetes de la FID. Novena edición 2019. Bruselas: FID. Recuperado de: https://www.diabetesatlas.org/upload/resources/material/20200302_133352_2406-IDF-ATLAS-SPAN-BOOK.pdf

Inoue, K., Inoue, M., Matsumoto, M., & Akimoto, K. (2012). Persistent fasting hyperglycaemia is more predictive of Type 2 diabetes than transient fasting hyperglycaemia.Diabetic Medicine,29(7), e75-e81.

Lam Díaz, R. (2018). Importancia de la bioestadística para la investigación en salud. Revista Cubana de Hematología, Inmunología y Hemoterapia, 34(3) 1-4. Recuperado de http://revhematologia.sld.cu/index.php/hih/article/view/872/804

López Fernández, R., Yanes Seijo, R., Suárez Surí, P., Avello Martínez, R., Gutiérrez Escobar, M., & Alvarado Flores, R. (2016). Modelo estadístico predictivo para el padecimiento de pie diabético en pacientes con diabetes mellitus tipo II. Medisur, 14(1), 42-52.

Mendoza Romo, M. Á., Padrón Salas, A., Cossío Torres, P. E., & Orozco, M. S. (2018). Prevalencia mundial de la diabetes mellitus tipo 2 y su relación con el índice de desarrollo humano.Revista Panamericana de Salud Pública,41, e103.

Medina, A; González, F; Martínez, A; Domínguez, JL; Vega, V; & Nogueira, D. (2002) Técnicas de Análisis Empresariales en la Certeza e Incertidumbre. San Nicolás de Hidalgo. Editorial FEGOSA.

Organización Mundial de la Salud. (2019). Hipertensión. [Internet]. OMS: Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/hypertension

Perkisas, S., & Vandewoude, M. (2016). Where frailty meets diabetes. Diabetes Metab Res Rev, (32), 261-267.

Robles-Velasco, A., Cortés, P., Muñuzuri, J., & Barbadilla-Martín, E. (2020). Aplicación de la regresión logística para la predicción de roturas de tuberías en redes de abastecimiento de agua. Dirección y Organización, 0(70), 78-85. doi: https://doi.org/10.37610/dyo.v0i70.570.

Sánchez Martínez, B., Vega Falcón, V., Gómez Martínez, N., & Vilema Vizuete, G. E. (2020). Estudio de casos y controles sobre factores de riesgo de diabetes mellitus tipo 2 en adultos mayores. Revista Universidad y Sociedad, 12(4), 156-164.

Supo, J. (2014). Metodología de la investigación científica para las ciencias de la salud.Perú: Universitaria.

Tuomilehto, J., Lindström, J., Hellmich, M., Lehmacher, W., Westermeier, T., Evers, T., ... & Chiasson, J. L. (2010). Development and validation of a risk-score model for subjects with impaired glucose tolerance for the assessment of the risk of type 2 diabetes mellitus-The STOP-NIDDM risk-score.Diabetes research and clinical practice,87(2), 267-274.

Vega, V., y Comas, R. (2017). Gestión del cambio y Dirección Estratégica. Quito: El Siglo.

Published
2021-05-01