Machine Learning-Based Prediction of Quality of Life in Individuals with Diabetes

Diabetes presents a persistent challenge that significantly affects individuals’ quality of life (QoL). Effective management of the co-occurrence of diabetes and QoL deterioration is crucial for enhancing patient care. This research conducted a comparative analysis of four distinct machine learning (ML) algorithms to predict the QoL status among diabetics. The QoL was assessed using the Short Form-12 to assess the physical component summary (PCS) and mental component summary (MCS). The evaluated algorithms include K-Nearest Neighbors (KNN), Decision Tree (DT), Random Forest (RF), and Adaptive Boosting (AdaBoost). Synthetic Minority Over-sampling Technique (SMOTE) was used for balancing dataset, ExtraTreesClassifier for feature selection, and a grid search approach for hyperparameter tuning. Results indicate promising performance of the ML algorithms in predicting QoL status among diabetics. The DT emerged as the top performer for both PCS and MCS, achieving accuracy rates of 78% and 63%, respectively. RF also exhibited good performance with 78% accuracy. This study highlights the potential of ML algorithms in predicting QoL disorders in diabetics. Ongoing investigations are crucial to validate and extend these results, exploring the real-world applicability of these models. Ultimately, this research contributes to advancing the management and overall well-being of individuals with diabetes and concurrent QoL disorders. Диабет представляет собой проблему, которая существенно влияет на качество жизни людей. Эффективное лечение сопутствующего диабета и контроль качества жизни имеют решающее значение для улучшения ухода за пациентами. В исследовании проведен сравнительный анализ четырех различных алгоритмов машинного обучения для прогнозирования качества жизни среди пациентов с диабетом. Качество жизни оценивалось с использованием Short Form-12 для оценки сводки физического (PCS) и психического (MCS) компонентов. Оцениваемые алгоритмы включают метод K-ближайших соседей (KNN), дерево решений (DT), случайный лес (RF) и адаптивное усиление (AdaBoost). Метод синтетической выборки меньшинств (SMOTE) использовался для балансировки набора данных, ExtraTreesClassifier – для выбора признаков, подход поиска по сетке – для настройки гиперпараметров. Результаты указывают на многообещающую эффективность алгоритмов машинного обучения в прогнозировании статуса КЖ среди пациентов с диабетом. DT оказался лучшим исполнителем как для PCS, так и для MCS, достигнув показателей точности 78% и 63% соответственно. RF также продемонстрировал хорошую производительность с точностью 78%. Исследование подчеркивает потенциал алгоритмов машинного обучения в прогнозировании нарушений качества жизни у пациентов с диабетом. Текущие исследования имеют решающее значение для подтверждения и расширения этих результатов, изучая применимость этих моделей в реальном времени. В конечном итоге это исследование способствует улучшению управления и общего благополучия пациентов с диабетом и сопутствующими нарушениями качества жизни.