Un estudio comparativo revela que el modelo Transformer-VAE ofrece la mayor precisión predictiva, aunque con mayores demandas computacionales.
La diabetes representa uno de los mayores desafíos sanitarios a nivel mundial, con una prevalencia creciente y un impacto económico y social significativo. La capacidad de predecir con precisión su evolución es crucial para la planificación de recursos, la asignación de presupuestos y el diseño de políticas públicas por parte de autoridades sanitarias. Un estudio reciente publicado en Scientific Reports compara el rendimiento de cuatro modelos predictivos, Transformer con Autoencoder Variacional (VAE), LSTM, GRU y ARIMA, en la tarea de pronosticar la carga global de la diabetes.
El estudio utilizó datos anuales desde 1990 hasta 2021 de tres indicadores clave: Años de Vida Ajustados por Discapacidad (DALYs, en inglés), muertes y prevalencia de diabetes, desagregados por grupos de ingresos según el Banco Mundial. Los modelos fueron entrenados con datos de 1990 a 2014 y evaluados con los de 2015 a 2021.
Los resultados mostraron que el modelo Transformer-VAE obtuvo la mayor precisión predictiva, con un Error Absoluto Medio (EAM) de 0.425 y un Error Cuadrático Medio (ECM) de 0.501. Además, demostró una notable robustez ante datos ruidosos o incompletos, manteniendo su rendimiento incluso cuando se introdujeron hasta un 20% de valores faltantes.
Por su parte, los modelos LSTM y GRU mostraron un buen desempeño en la captura de dependencias temporales a corto plazo, pero presentaron limitaciones en tendencias a largo plazo. El modelo ARIMA, aunque eficiente computacionalmente, fue el menos preciso, especialmente en la predicción de tendencias complejas y no lineales.
El estudio también incluyó una validación externa con datos de la Organización Mundial de la Salud (OMS), confirmando la generalizabilidad del modelo Transformer-VAE a través de diferentes contextos y fuentes de datos.
Este trabajo subraya el potencial de los modelos de deep learning o aprendizaje profundo, en particular el Transformer-VAE, para mejorar la predicción de la carga de diabetes a nivel global. Sin embargo, también señala desafíos importantes, como el alto costo computacional y la falta de interpretabilidad, que pueden limitar su implementación en entornos con recursos limitados.
Los autores sugieren que futuras investigaciones exploren enfoques híbridos, técnicas de compresión de modelos y la integración de factores socioeconómicos y ambientales para mejorar aún más la precisión y aplicabilidad de estas herramientas en la salud pública.
