SavedAdd your journal

Journals / Sağlık Bilimleri Üniversitesi Hemşirelik Dergisi / 2025 / Cilt: 7 Sayı: 3

Artificial Intelligence Applications Used in the Prevention and Management of Complications of Diabetes Mellitus

Diyabetes Mellitus Komplikasyonlarının Önlenmesi ve Yönetiminde Kullanılan Yapay Zeka Uygulamaları

Gökşen Polat(İzmir Tınaztepe Üniversitesi, Sağlık Hizmetleri Meslek Yüksekokulu, İlk ve Acil Yardım Programı, İzmir, Türkiye)0000-0001-9575-2325
Büşra Şimşek(İzmir Katip Çelebi Üniversitesi, Sağlık Bilimleri Fakültesi, Hemşirelik Bölümü İzmir, Türkiye)0009-0004-0583-5610
Yağmur Yeytunç(İzmir Şehir Hastanesi, İzmir, Türkiye)0009-0001-2169-7674
Elif Ünsal Avdal(İzmir Katip Çelebi Üniversitesi, Sağlık Bilimleri Fakültesi, Hemşirelik Bölümü İzmir, Türkiye)0000-0001-6888-0882
Pages
283–288
Publication Date
2025-12-17
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

In this review study, we discuss artificial intelligence applications used in the prevention and management of diabetes mellitus complications based on this background.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Diabetes mellitus is a chronic endocrine-metabolic disease that requires regular medical follow-up and can cause microvascular and macrovascular complications due to carbohydrate, fat, and protein metabolism disorders caused by insulin deficiency or insulin resistance.
📊
Key Findings & Data:Although most complications are preventable, their incidence is increasing every year.
💡
Conclusion & Impact:In this review study, we discuss artificial intelligence applications used in the prevention and management of diabetes mellitus complications based on this background.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Diyabetes mellitus · hemşirelik · yapay zeka

Abstract

Diabetes mellitus is a chronic endocrine-metabolic disease that requires regular medical follow-up and can cause microvascular and macrovascular complications due to carbohydrate, fat, and protein metabolism disorders caused by insulin deficiency or insulin resistance. Although most complications are preventable, their incidence is increasing every year. Technological advancements, particularly artificial intelligence, are increasingly employed in the prevention of diabetic complications, risk prediction, diagnosis, and treatment. The integration of these technologies contributes to reducing the incidence of complications and mitigating associated morbidity and mortality. Nurses are primarily responsible for diabetes care and monitoring the self-management skills of individuals with diabetes. The use of technological developments, such as artificial intelligence, will be a facilitating method for nurses in diabetes care and follow-up. However, the heavy workload of nurses makes it difficult for them to keep up with technological developments and acquire knowledge. In this review study, we discuss artificial intelligence applications used in the prevention and management of diabetes mellitus complications based on this background.

Özet

Diyabetes mellitus, insülin eksikliği veya insülinin etkisindeki bozukluklar sonucu karbonhidrat, yağ ve protein metabolizmasının bozulmasıyla mikrovasküler ve makrovasküler komplikasyonlara neden olabilen, düzenli tıbbi takip gerektiren, kronik bir endokrin-metabolik hastalıktır. Komplikasyonlarının çoğu önlenebilir olmasına rağmen görülme sıklığı her yıl artmaktadır. Teknolojik gelişmelerden yapay zeka; diyabetin komplikasyonların önlenmesinde, risk/tanı tahmininde ve tedavisinde kullanılmaktadır. Bu gelişmelerden yararlanılması diyabetin komplikasyonlarının önlenmesine, görülme sıklığının azaltılmasına, morbidite ve mortalitenin azaltılmasına katkı sağlamaktadır. Hemşireler, diyabet bakımında ve diyabetli bireylerin öz yönetim becerilerinin izlenmesinde temel sorumluluğa sahiptir. Yapay zeka gibi teknolojik gelişimlerden yararlanılması hemşirelerin diyabet bakım ve takibinde kolaylaştırıcı bir yöntem olacaktır. Ancak hemşirelerin iş yükünün fazla olması teknolojik gelişmeleri takip etmelerini ve bu konuda bilgi edinmelerini zorlaştırmaktadır. Bu derleme çalışmasında, diabetes mellitus komplikasyonlarının önlenmesi ve yönetiminde kullanılan yapay zeka uygulamaları ele alınmıştır.

🔖

Cite This Article

Polat, G., Şimşek, B., Yeytunç, Y., Avdal, E. Ü. (2025). Artificial Intelligence Applications Used in the Prevention and Management of Complications of Diabetes Mellitus. Sağlık Bilimleri Üniversitesi Hemşirelik Dergisi, Cilt: 7 Sayı: 3, 283–288. https://doi.org/10.48071/sbuhemsirelik.1764068

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (46)

  1. Abràmoff, M.D., Lavin, P.T., Birch, M., Shah, N., & Folk, J.C. (2018). Pivotal trial of an autonomous AI-based diagnostic system for the detection of diabetic retinopathy in primary care. NPJ Digital Medicine, 1(1), 39.
  2. Aiello, E.M., Jaloli, M., & Cescon, M. (2023). Model predictive control (MPC) of an artificial pancreas with data-driven learning of multi-step-ahead blood glucose predictors. arXiv preprint arXiv:2307.12015.
  3. Akalın, B. (2022). Sağlık bilimlerinde yapay zeka tabanlı klinik karar destek sistemleri. Gevher Nesibe Journal of Medical & Health Sciences, 7(18), 64–73.
  4. Akalın, B., & Demirbaş, M.B. (2022). Rehabilitasyon hizmetlerinde yapay zekâ uygulamaları. Acta Infologica, 6(2), 141–161. doi:10.26650/acin.1068576
  5. Alvarado, M., García, L., & Rodríguez, P. (2023). Transformation functions in the analysis of glucose time series and prediction of hypoglycemia events with deep learning techniques. Journal of Diabetes Technologies and Therapies, 25(3), 150-159.
  6. American Diabetes Association. (2022). Microvascular complications and foot care: standards of medical care in diabetes. Diabetes Care, 45(1), 185-194. doi: 10.2337/dc22-SPPC.
  7. American Diabetes Association. (2024). Cardiovascular disease and risk management: standards of care in diabetes. Diabetes Care, 47(1), 166-191. doi:10.2337/dc24-S011ADA
  8. Arslan, M., Şahin, S., & Yılmaz, T. (2021). Derin öğrenme tabanlı pulmoner arter hipertansiyonu tanısında bilgisayarlı tomografi görüntü analizi. arsMedical Imaging and Analysis, 68, 101934. doi:10.1016/j.media.2020.101934
  9. Atlan, M., Yılmaz, S., & Kılıç, Ö. (2022). Deep learning-based detection of functionally significant stenosis in coronary CT angiography. Journal of Cardiovascular Computed Tomography, 16(4), 315–323. doi: 10.1016/j.jcct.2022.06.005
  10. Attia, Z. I., Kapa, S., Lopez-Jimenez, F., McKie, P. M., Ladewig, D. J., Satam, G.,. Friedman, P. A. (2019). Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. Nature Medicine, 25(1), 70–74. doi: 10.1038/s41591-018-0240-2
  11. Aykat, Ş., & Senan, S. (2023). Derin öğrenme kullanılarak fundus görüntülerinden katarakt ve diyabetik retinopati tespiti. Mühendislik Bilimleri ve Araştırmaları Dergisi, 5(2), 312-324.
  12. Boulton, A.J.M., Vinik, A.I., Arezzo, J., Bril, V., Feldman, E.L., & Malik, R.A. (2017). Diabetic Neuropathy: A position statement by the american diabetes association. Diabetes Care, 39(5), 724-737
  13. Cosentino, F., Grant, P. J., Aboyans, V., Bailey, C. J., Ceriello, A., Delgado, V.,. Halcox, J. (2020). 2020 ESC Guidelines on diabetes, pre-diabetes and cardiovascular diseases developed in collaboration with the EASD. European Heart Journal, 41(2), 255–323. doi:10.1093/eurheartj/ehz486
  14. Damar, M. (2024). Sağlık sektöründe karar destek araçları: İş zekâsı, makine öğrenmesi, derin öğrenme ve yapay zeka uygulamaları, İzmir Sosyal Bilimler Dergisi, 6(2), 90-115. doi:10.47899/ijss.1591168
  15. Demirci Şahin, A., Üstü, Y., & Işık, D. (2015). Serebrovasküler hastalıklarda önlenebilen risk faktörlerinin yönetimi. Ankara Medical Journal, 15(2). doi:10.17098/amj.48090
  16. Du, T., Xie, L., Zhang, H., Liu, X., Wang, X., Chen, D.,. Xu, B. (2021). Training and validation of a deep learning architecture for the automatic analysis of coronary angiography: Automatic recognition of coronary angiography. EuroIntervention, 17(1), 32. doi: 10.4244/EIJ-D-20-00570
  17. Fox, I., Lee, J., Pop-Busui, R., & Wiens, J. (2020). Deep reinforcement learning for closed-loop blood glucose control. arXiv preprint arXiv:2009.09051.
  18. Guan, Z., Li, H., Liu, R., Cai, C., Liu, Y., Li, J.,. Sheng, B. (2023). Artificial intelligence in diabetes management: Advancements, opportunities, and challenges. Cell reports. Medicine, 4(10), 101213. doi:10.1016/j.xcrm.2023.101213
  19. Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., … Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402-2410.
  20. Gupta, R., & Gupta, A. (2021). Artificial intelligence for diabetes management and decision support. Journal of Medical Internet Research, 23(5), e10775.
  21. Haque, F., Reaz, M.B.I., Chowdhury, M.E.H., Shapiai, M.I.B., Malik, R.A., Alhatou, M., … Bhuiyan, M. A. S. (2023). A machine learning-based severity prediction tool for the michigan neuropathy screening instrument. Diagnostics, 13(2), 264. doi:10.3390/diagnostics13020264
  22. Hidalgo, J. I., Colmenar, J. M., Risco-Martín, J. L., Cuesta-Infante, A., Maqueda, E., Botella, M., & Rubio, J. A. (2023). Modeling glycemia in humans by means of Grammatical Evolution. arXiv preprint arXiv:2305.04827.
  23. Hochberg, I., Feraru, G., Kozdoba, M., Mannor, S., Tennenholtz, M., & Yom-Tov, E. (2016). A reinforcement learning system to encourage physical activity in diabetes patients. arXiv preprint arXiv:1605.04070.
  24. Hoşgör, H. & Güngördü, H. (2022). Sağlıkta yapay zekanın kullanım alanları üzerine nitel bir araştırma. Avrupa Bilim ve Teknoloji Dergisi, 35, 395-407.
  25. Karabacak, M. (2022). Kardiyolojide dijital dönüşüm; telemonitorizasyon sistemleri ve yapay zeka uygulamaları. C. Sarı (Ed.), Kardiyovasküler hastalıklarda tanısal testler ve görüntüleme yöntemleri içinde (s. 357–362). Ankara: Akademisyen Yayınları. doi: 10.37609/akya.1126
  26. Kılıç, V. (2021). Yapay zeka tabanlı akıllı telefon uygulaması ile kan şekeri tahmini. Avrupa Bilim ve Teknoloji Dergisi, 26, 289-294.
  27. Kowalski, A., & Słowiński, R. (2021). Use of artificial intelligence for management and identification of complications in diabetes mellitus. Clinical Diabetology, 10(1), 1-6.
  28. Kucuk, U., & Eminoğlu, M.S. (2019). Nöromüsküler hastalıkların yapay zeka yöntemleri ile sınıflandırılması. Gazi Mühendislik Bilimleri Dergisi, 5(3), 149-162.
  29. Kutan, F. (2023). Serebrovasküler hastalıkların teşhisi için yapay zeka tabanlı karar destek sistemi [Yayınlanmamış Yüksek lisans tezi]. Gazi Üniversitesi, Ankara.
  30. Maheshwari S, Kalia A, Tewari J, Tewari A, Srivastava A, Dantu R … Maheshwari (2025). A. Artificial intelligence for diabetes management – A review. Journal of Diabetes, Metabolic Disorders & Control, 12(1), 24-32.
  31. Muharram, A.P., Tahapary, D.L., Lestari, Y. D., Sarayar, R., & Dirjayanto, V.J. (2023). Supervised learning models for early detection of albuminuria risk in type-2 diabetes mellitus patients. arXiv preprint arXiv:2309.16742.
  32. Özçelik, Y.B., & Altan, A. (2021). Diyabetik retinopati teşhisi için fundus görüntülerinin derin öğrenme tabanlı sınıflandırılması. Avrupa Bilim ve Teknoloji Dergisi, 29, 156-167.
  33. Pop-Busui, R., Boulton, A. J., Feldman, E. L., Bril, V., Freeman, R., Malik, R. A.,. Ziegler, D. (2017). Diabetic neuropathy: a position statement by the American Diabetes Association. Diabetes Care, 40(1), 136–154. doi: 10.2337/dc16-2042
  34. Siemens Healthineers. (2020). Yapay zekâ destekli çözümlerimiz ile dijital sağlığın geleceğini şekillendiriyoruz. Siemens Healthineers. https://www.siemens-healthineers.com/tr/digital-health-solutions/artificial-intelligence-in-healthcare
  35. Sun, J., Wang, Y., & Li, H. (2018). Blood sugar level estimation with LSTM and bidirectional LSTM based deep nerve networks. Journal of Biomedical Engineering, 15(2), 98-105.
  36. Taha, H. N., Gamal, A., & Nasreldin, S. H. (2017). Transscleral micropulse diode laser for treatment of diabetic retinopathy. arXiv preprint arXiv:1710.02628.
  37. Türkiye Endokrinoloji ve Metabolizma Derneği (2022). TEMD diabetes mellitus ve komplikasyonlarının tanı, tedavi ve izlem kılavuzu. Retrieved date: August, 06, 2025. Retrived from: diabetes-mellitus_2024.pdf (temd.org.tr).
  38. Umpierrez, G.E., Davis, G.M., ElSayed, N.A., Fadini, G.P., Galindo, R.J., Hirsch, I. B., … Dhatariya, K.K. (2024). Hyperglycaemic crises in adults with diabetes: A consensus report. Diabetologia, 67(8), 1455–1479. doi: 10.1007/s00125-024-06183-8
  39. Yau, J.W.Y., Rogers, S.L., Kawasaki, R., Lamoureux, E.L., Kowalski, J.W., Bek, T., … &Wong, T.Y. (2012). Global prevalence and major risk factors of diabetic retinopathy. Diabetes Care, 35(3), 556–564. doi: 10.2337/dc11-1909
  40. Yin, J.M., Li, Y., Xue, J.T., Zong, G.W., Fang, Z.Z., & Zou, L. (2023). Explainable machine learning-based prediction model for diabetic nephropathy. arXiv preprint arXiv:2309.16730.
  41. Zhu, Q., Chen, X., & Liu, Z. (2024). Blood sugar level estimation using repetitive graphs and deep learning techniques modified with wearable device data. Journal of Health Informatics, 22(1), 45-53.
  42. Attia, Z. I., Kapa, S., Lopez-Jimenez, F., McKie, P. M., Ladewig, D. J., Satam, G.,. Friedman, P. A. (2019). Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. Nature Medicine, 25(1), 70–74. doi: 10.1038/s41591-018-0240-2
  43. Cosentino, F., Grant, P. J., Aboyans, V., Bailey, C. J., Ceriello, A., Delgado, V.,. Halcox, J. (2020). 2020 ESC Guidelines on diabetes, pre-diabetes and cardiovascular diseases developed in collaboration with the EASD. European Heart Journal, 41(2), 255–323. doi:10.1093/eurheartj/ehz486
  44. Du, T., Xie, L., Zhang, H., Liu, X., Wang, X., Chen, D.,. Xu, B. (2021). Training and validation of a deep learning architecture for the automatic analysis of coronary angiography: Automatic recognition of coronary angiography. EuroIntervention, 17(1), 32. doi: 10.4244/EIJ-D-20-00570
  45. Guan, Z., Li, H., Liu, R., Cai, C., Liu, Y., Li, J.,. Sheng, B. (2023). Artificial intelligence in diabetes management: Advancements, opportunities, and challenges. Cell reports. Medicine, 4(10), 101213. doi:10.1016/j.xcrm.2023.101213
  46. Pop-Busui, R., Boulton, A. J., Feldman, E. L., Bril, V., Freeman, R., Malik, R. A.,. Ziegler, D. (2017). Diabetic neuropathy: a position statement by the American Diabetes Association. Diabetes Care, 40(1), 136–154. doi: 10.2337/dc16-2042