pág. 5952
DISPOSITIVO BIOMÉDICO CON
INTELIGENCIA ARTIFICIAL PARA LA DETECCIÓN
DE DIABETES TIPO 2 E HIPERTENSIÓN ARTERIAL
BIOMEDICAL DEVICE WITH ARTIFICIAL INTELLIGENCE
FOR THE DETECTION OF TYPE 2 DIABETES AND HIGH
BLOOD PRESSURE
Dr. José de Jesús Zavala Zavala
Tecnológico Nacional de México
Dr. Héctor Daniel Vázquez Delgado
Tecnológico Nacional de México
Dra. Mariana Valdespino León
Tecnológico Nacional de México
pág. 5953
DOI: https://doi.org/10.37811/cl_rcm.v9i1.16293
Dispositivo Biomédico con Inteligencia Artificial para la Detección de
Diabetes tipo 2 e Hipertensión Arterial
Dr. José de Jesús Zavala Zavala1
jjesus@cintalapa.tecnm.mx
https://orcid.org/0000-0002-2341-3516
Tecnológico Nacional de México
Campus Cintalapa/ITSC, División
de Ingeniería Industrial
México
Dr. Héctor Daniel Vázquez Delgado
hvazquez@cintalapa.tecnm.mx
https://orcid.org/0000-0002-1260-4210
Tecnológico Nacional de México
Campus Cintalapa/ITSC, División
de Ingeniería Informática
México
Dra. Mariana Valdespino León
valdespino@cintalapa.tecnm.mx
https://orcid.org/0000-0003-1209-5708
Tecnológico Nacional de México
Campus Cintalapa/ITSC, División
de Ingeniería en Industrias alimentarias
México
RESUMEN
Según la INEGI en el año 2021, las principales defunciones en México son por enfermedades como el
COVID-19 con 238 772, enfermedades del corazón con 225 449, Diabetes mellitus con 140 729 y
Chiapas son las enfermedades del corazón con 8949 y la Diabetes mellitus con 5838. La creación del
Dispositivo Biomédico con inteligencia artificial busca detectar en primera instancia si la persona
padece de diabetes tipo 2, dando como positivo si la App muestra un resultado de 1 o aproximadamente
a 1. Para el desarrollo del dispositivo se basó en la siguiente metodología: 1.- Se detecta la enfermedad
de mayor mortalidad en México; 2.- Se identificaron los signos oculares de la diabetes tipo 2; 3.- Se
generará una Base de datos de personas enfermas de diabetes tipos 2; 4.- Se genera el código; 5.- Se
entrena el modelo que identifica los ojos enfermos; 6.- Se sigue entrenando y mejorando el modelo; 7.-
Se genera la interfaz de la App de escritorio; 8.- Se realizan mediciones; 9.- Se obtienen resultados. El
resultado que emite la App tiene una correlación del 0.80 entre los resultados del laboratorio y los de
la App, teniendo una correlación fuerte positiva.
Palabras clave: diabetes tipo 2, enfermedad ocular, dispositivo biomédico, python
1
Autor Principal
Correspondencia jjesus@cintalapa.tecnm.mx
pág. 5954
Biomedical Device with Artificial Intelligence for the Detection
of type 2 Diabetes and High Blood Pressure
ABSTRACT
According to the INEGI in 2021, the main deaths in Mexico are due to diseases such as COVID-19
with 238,772, heart diseases with 225,449, Diabetes mellitus with 140,729 and Chiapas are heart
diseases with 8,949 and Diabetes mellitus with 5838. The creation of the Biomedical Device with
artificial intelligence seeks to detect in the first instance if the person suffers from type diabetes 2,
giving as positive if the App shows a result of 1 or approximately 1. The development of the device
was based on the following methodology: 1.- The disease with the highest mortality in Mexico is
detected; 2.- The ocular signs of type 2 diabetes were identified; 3.- A Database of people with type 2
diabetes will be generated; 4.- The code is generated; 5.- The model that identifies diseased eyes is
trained; 6.- The model continues to be trained and improved; 7.- The interface of the desktop App is
generated; 8.- Measurements are made; 9.- Results are obtained. The result issued by the App has a
correlation of 0.80 between the results of the laboratory and those of the App, having a strong positive
correlation.
Keywords: type 2 diabetes, eye disease, biomedical device, python
Artículo recibido 10 diciembre 2024
Aceptado para publicación: 30 enero 2025
pág. 5955
INTRODUCCIÓN
Según la Secretaría de salud en México siete de cada diez adultos, cuatro de cada diez adolescentes y
uno de cada tres niños presentan sobrepeso u obesidad, por lo que se considera un grave problema de
salud pública. México ocupa el quinto lugar en la tabla de países que tienen mayor población con este
problema en el mundo y se espera que en una década más de 35 millones de personas sufran este
padecimiento, según el Atlas de Salud.
En México la mortalidad por diabetes ha tenido un incremento de 7.2 veces de 1980 a 2016, y en la
actualidad tres de cada 20 fallecimientos son por esta enfermedad. En promedio, los hombres con
diabetes mueren a una edad más temprana que las mujeres (67 versus 70 años respectivamente), y solo
el 20% de los hombres que han desarrollado este padecimiento viven más de 75 años, frente al 26% en
el caso las mujeres.
De acuerdo con la ENSANUT 2021, la prevalencia nacional de diabetes es de 15.8% de la población y
de la que el 36% desconoce su condición. La prevalencia de diabetes total aumenta con la edad de 5.7%
en menores de 40 años, a 19.9% en adultos de 40 a 59 años y 31.2% en adultos con 60 y más. Sin
embargo, una nueva investigación de la Federación Internacional de Diabetes (FID) publicada antes del
Día Mundial de la Diabetes estima que la prevalencia de la diabetes en México sea del 16.9%, es decir,
una de cada seis personas.
Según la INEGI en el año 2021, las principales defunciones en México son por enfermedades como el
COVID-19 con 238 772, enfermedades del corazón con 225 449, Diabetes mellitus con 140 729,
Tumores malignos con 90 124, Influenza y neumonía 54 601 y las enfermedades del hígado 41890.
En la actualidad en App Store existen varias aplicaciones enfocadas a la diabetes: 1.- Enfocadas a llevar
el control sobre las tendencias de azúcar en sangre; 2.- Registrar el consumo alimenticio y con ello la
predicción de glucosa; 3.- Una vez el diagnóstico se dictamina el medicamento de forma segura.
DDH App es un dispositivo Biomédico que usa inteligencia artificial para pronosticar si el paciente
padece de diabetes tipo 2 y este tenga los siguientes beneficios: 1.- En caso de un accidente, el socorrista
conozca si es posible diabético y con ello sepa cómo dar los primeros auxilios de manera adecuada; 2.-
pág. 5956
El médico general envía o no al paciente a realizarse la prueba de glucosa; 3.- El paciente sepa si tiene
o no glucosa alta. DDH es un dispositivo biomédico de apoyo en la toma de decisiones para el médico
general.
METODOLOGÍA
Según la Facultad de Medicina de Buenos Aires (2020), existen básicamente 3 formas de monitorear la
glucemia en pacientes con diabetes mellitus: 1.- Con aparatos medidores que utilizan tiras reactivas;
2.- Los glucómetros que emplean una pequeña gota de sangre y medidores amperimétricos para medir
la corriente generada por la glucosa deshidratada que oxida la glucosa a ácido gluónico, reduciendo el
ADN en lugar de oxigeno; 3.- Actualmente la nueva tecnología de sensores, permite un escaneo rápido
con un lector, que mide la glucosa que está presente en el fluido intersticial en forma continua durante
las 24 horas, este escaneo, viene con un software que le permite elaborar gráficos fáciles de interpretar,
con un resumen histórico de glucosas de hasta 90 días de manera que el paciente puede conocer sus
patrones de glucosa intersticial y su variabilidad; 4.- DDH es un dispositivo Biomédico de primer nivel
que diagnóstica la probabilidad de padecer diabetes tipo 2, sin decir la cantidad de glucemia en sangre.
El algoritmo de la funcionalidad del sistema de procesamiento de imágenes oculares con inteligencia
artificial se muestra en la figura 1.
Figura 1: Algoritmo del sistema de procesamiento ocular
pág. 5957
Para el desarrollo de la metodología del dispositivo biomédico DDH se realizó bajo el siguiente proceso:
1. Determinar quién será el paciente diagnosticado.
2. Tomarse la fotografía convirtiéndola en una matriz de valores como se define a
3. Identificación de características oculares de los pacientes enfermos.
4. Determinación del entorno para tomar la fotografía adecuada. Los requisitos que debe cumplir el
entorno para tener un diagnóstico correcto son: rostro alineado de manera frontal a la cámara, no
usar lentes al momento de la fotografía, tomar la fotografía entre 350 y 700 luxes y la cercanía del
rostro a la cámara deberá estar entre 35 a 45cm.
5. Definición de las características del software: Se usó visual Estudio Code versión 1.80, Python
3.10.1 con sus respectivas librerías, las básica fueron OpenCV, imutils y numpy.
6. Se determina el tamaño de la muestra para el entrenamiento y la base de datos en donde n=382
personas.
7. Se generó un entrenamiento del procesamiento de imágenes para el desarrollo de un algoritmo por
medio de una interpolación Lagrange utilizando:
8. Se realizaron pruebas para ver si los resultados obtenidos eran correctos.
9. Se definen las características y los datos requeridos de la interfaz de la App.
10. Se desarrolla el interfaz de la App
11. Se ajusta el modelo para la disminución de error de los resultados.
12. Se valida la DDH como dispositivo biomédico confiable.
13. Se diagnóstica al paciente una vez utilizada la base de datos dando como resultado que 𝑃(𝑥)= 𝑟𝐵𝐶
14. Se comparan los resultados con glucómetros y sensores existentes.
Para el uso de la base de datos en DDH se utilizó el siguiente procedimiento.
1. Determinación del tamaño del universo (54285 habitantes).
pág. 5958
2. Determinación del tamaño de la muestra 382 habitantes.
3. Definición de las variables del paciente para la base de datos.
4. Definición e instalación del Software para el diseño de la base de datos.
5. Diseño de base de datos
6. Generación de la base datos
7. Actualización de la base de datos
En la figura 2 se muestra el resultado de la generación de la base de datos diseñada en php, teniendo
como servidor a MySQL.
Figura 2. Base de datos
RESULTADOS
Antes de hablar de lo obtenido en la App DDH se explicará que indican los resultados de la aplicación.
Los resultados que da el algoritmo son del 0 a 1, en el cual 0 indica que no hay signos vitales o no hay
correlación de datos y 1 indica que el paciente es 100% de tener alto los valores de la Presión Arterial
o de la glucemia. Todos los pacientes tienen Presión Arterial y glucemia por lo que los resultados de la
App DDH siempre estarán entre 0.70 y 0.99.
pág. 5959
Para los datos de la Presión Arterial se determinó una tabla de los valores de mm Hg con respecto a la
probabilidad de sufrir la enfermedad en la App DDH quedando de la siguiente manera.
Tabla 1: Conversión de resultados
Valores
Presión mm Hg
Probabilidad de App DDH
Baja
≤90/≤60
≤ 0.74
Normal
120/80
0.75 – 0.87
Alta
≥130/≥80
≥ 0.88
Para la obtención de resultados se buscaron personas voluntarias con el deseo de conocer si padecen
Diabetes tipo 2 e Hipertensión Arterial. También se diagnosticó a personas Diabéticas que llevan su
control glucémico y están medicadas. Para los resultados de la Hipertensión Arterial el paciente se midió
la presión con la App DDH y con el medidor de presión digital genérico y con ello hacer una
comparativa de los resultados de Ambos Dispositivos Biomédicos. La figura 3 muestra los resultados
de padecer Diabetes tipo 2 con la App DDH y la medición de la presión sistólica con el medidor de
presión.
Figura 3: Probabilidad de padecer Hipertensión arterial
La figura 3 muestra que existe una correlación positiva fuerte de r = 0.802 entre la probabilidad de
padecer Hipertensión Arterial con la App DDH con los datos de Presión sistólica.
S 5.75063
R-cuad. 80.2%
R-cuad.(ajustado) 79.1%
pág. 5960
La figura 4 Muestra el residuo existente de los valores arrojados en el diagnóstico con respecto a la
presión sistólica y como se puede observar todos los datos están cercanos a la ecuación de la recta lo
que indica que el error es cercano a 0.
Si la regresión lineal se ajusta a un modelo de regresión cuadrática la correlación positiva se hace más
fuerte con una r = 0.865 con respecto del diagnóstico de padecer Hipertensión Arterial y la desviación
estándar mejora, bajando de S = 5.750 a S = 4.881. la Figura 5 muestra el modelo de regresión cuadrática
con sus ajustes y cálculos.
La figura 6 muestra los resultados de la App DDH de padecer diabetes tipo 2 con respecto a la presión
Diastólica y se observa que la correlación es moderada de r = 0.672. Esto significa que la Presión
sistólica es más difícil de predecir ya que con los resultados obtenidos de la correlación es positiva
moderada y como la p = 0.000 indica que los valores del diagnóstico no son producto del azar y son
dispersos a la presión sistólica normal de 80mm Hg.
Figura 4: Residuos de Diagnóstico de Hipertensión Arterial
pág. 5961
Figura: Ajuste de regresión cuadrática.
CONCLUSIÓN
Con los datos obtenidos en la figura 1 se concluye que existe una correlación positiva fuerte entre los
resultados de la App DDH y el medidor de presión arterial. Con n=20 se puede decir que los datos del
diagnóstico son confiables para una empresa que no fuera del área de salud. Más sin embargo como el
dispositivo es biomédico el nivel de confianza que se espera es 99.99 equivalente a 3.4 errores por
millos.
Con los resultados obtenidos se puede concluir que la App DDH tiene resultados aceptables para
productos que utilizan 3, pero para aplicación DDH, se necesita mayor entrenamiento para el
mejoramiento del algoritmo, dando como mejoramiento el diagnóstico de la Hipertensión Arterial.
También se concluye que el muestreo debe ser de al menos 382 pacientes equivalente a 95% de
confianza en el municipio de Cintalapa de Figueroa, para que la correlación de los datos sea mayor a lo
obtenido.
0.900.850.800.750.70
135
130
125
120
115
110
105
100
95
S 4.88113
R-cuad. 86.5%
R-cuad.(ajustado) 84.9%
Probabilidad de Hipertención con App DDH
DESPOSITIVO PRESIÓN SISTÓLICA
Gráfica de línea ajustada
SISTÓLICA = - 792.6 + 2096 APP
- 1187 APP^2
pág. 5962
Figura 6: Probabilidad de padecer diabetes tipo 2 (Diastólica)
Se concluye que es más fácil de predecir la presión sistólica que la presión diastólica, esto de acuerdo
a la correlación que fue calculada en la figura 3 que calcula la correlación sistólica del medidor de
presión con respecto a la App DDH y la figura 6 que se calcula la correlación diastólica del medidor de
presión con respecto a la App DDH.
También es importante mencionar que se tiene diagnósticos de diabetes tipo 2 con la App DDH, pero
hace falta que todos los pacientes se sacaran la prueba ante un laboratorio clínico certificados, de los
cuales solo los de probabilidad alta de sufrir Diabetes tipo 2 se lo hicieron. El paciente 6 de probabilidad
0.89, el paciente 7 con probabilidad 0.88 y el paciente 16con probabilidad de 0.87, los resultados
obtenidos de esos dos pacientes son los siguientes:
Tabla 2: Resultados de glucosa
No. Paciente
App DDH (probabilidad)
Laboratorio Diagnosur
6
0.89
96 mg/dL
7
0.88
90 mg/ dL
16
0.87
97 mg/dL
0.900.850.800.750.70
90
80
70
60
50
40
S 7.28195
R-cuad. 67.2%
R-cuad.(ajustado) 65.4%
Probabilidad de padecer diabetes tipo 2 (App DDH)
MEDICIÒN DIASTÒLICA (Medidor de presiòn)
Gráfica de línea ajustada
DIASTÓLICA = - 73.70 + 184.8 APP
pág. 5963
Se recomienda para futuras investigación usar un tamaño de la muestra de diagnosticados, similar al
tamaño de la muestra de la base datos del Software, para que el nivel de confianza de los diagnósticos
sea significativo y todos realicen el diagnóstico con un laboratorio clínico y con la App y determinar de
cada enfermedad la correlación de los valores y la confiabilidad de los resultados de la App DDH.
REFERENCIAS BIBLIOGRAFICAS
Aguilar S. C. (2019), Guías sobre el diagnóstico, control, tratamiento de la Diabetes Mellitus tipo 2 con
Medicina basada en evidencia, Revista de la Asociación Latinoamericana de Diabtes. ISSN
2248 6518, pág. (7-8), link: https://revistaalad.com/guias/5600AX191_guias_alad_2019.pdf
App Store (2023). Monitoreo de glucosa. Taconic system LLC.
https://apps.apple.com/mx/app/monitor-de-glucosa/id545875756.
Berdonces J.L. (2012). El gran libro de la Iridología, el iris del ojo refleja la salud. Editorial RBA Libros
S.A.
Bhatia, S.K.; P. Atole; S. Kamble, P. Telang (2015) “Methodology for Detecting Diabetic Presence
from Iris Image Analysis” International Journal of Advanced Research in Computer
Engineering & Technology (IJARCET) Vol 4 Issue3.
Google Play (2023). MySugr- diario para Diabetes.
https://play.google.com/store/apps/details?id=com.mysugr.android.companion&hl=es_MX&g
l=US
Google Play (2023). iDoctus,
https://play.google.com/store/apps/details?id=com.edoctores.android.apps.idoctus&hl=es_M
X&gl=US.
INEGI (2021). Estadísticas a propósito del día mundial de la Diabetes.
https://www.inegi.org.mx/contenidos/saladeprensa/aproposito/2021/EAP_Diabetes2021.pdf
INEGI (2021). Estadística de defunciones registradas de enero a junio del 2021.
https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2022/dr/dr2021.pdf.
Lezaeta M. () El iris de tus ojos Revela tu salud. Editorial Pax, Url
https://www.terradelibros.com/media/pax/files/sample-139855.pdf
Macias et. al., (2019), Principios de la Oftamología, una nueva visión de la ciencia, Editorial MAWIL.
pág. 5964
Montesinos P. C. (2024). Estudios solicitados de glucosa. Folio 13995, DIAGNOSUR Laboratorio de
Análisis Clínicos.
Moreno A. L. & García, G. J. & Soto E. G. & Capraro S. (2014), Epidemiología y determinantes
sociales asociados a la obesidad y a la diabetes tipo 2 en México. Reviste Médica del Hospital
General. Volumen 77, Pág. 114-123.
Secretaría de Salud, (2018). Sobrepeso y obesidad, factores de riesgo para desarrollar diabetes,
https://www.gob.mx/salud/articulos/sobrepeso-y-obesidad-factores-de-riesgos-para-
desarrollar-diabetes.
Rodriguez F. (2018). Diagnóstico de la diabetes mediante el análisis del Iris. Url:
https://riubu.ubu.es/bitstream/10259/4851/1/Andr%C3%A9s-Bisabarros-Higuera.pdf
Organismo Andino de Salud (2022), Diagnóstico Situacional de la Salud ocular por curso de vida, en
la región Andina, Url:
https://www.orasconhu.org/sites/default/files/file/webfiles/doc/LIBRO%20OCULAR%20%2
81%29.pdf