O Diabetes Mellitus configura-se como uma epidemia mundial, traduzindo- se em um grande desafio para os sistemas de saúde de todo o mundo. O envelhecimento da população, a urbanização crescente e a adoção de estilos de vida pouco saudáveis como sedentarismo, dieta inadequada e obesidade são os grandes responsáveis pelo aumento da incidência e prevalência do diabetes. OBJETIVO: Estudar a aplicabilidade de redes bayesianas de aprendizado para dados de populacionais de diabetes mellitus tipo I no estado do Paraná no nível municipal. MÉTODOS: Para isto foram utilizados quatro algoritmos, para gerar as redes bayesianas, sendo eles: Grow-Shrink, Incremental Association Markov Blanket, Max-Min Hill-Climbing e Hill-Climbing. Sendo utilizados para análise e entendimento das interações entre as variáveis monstrando estes achados por meio de grafos acíclicos dirigidos. RESULTADOS E CONCLUSÃO: Estes algoritmos tiveram boa performance para entender a estrutura condicional das informações relativas a diabetes mellitus do tipo 1 e conduziram a resultados interessantes do ponto vista epidemiológico das relações estruturadas. Vale salientar que ao se ponderar os princípios de teoria dos grafos, teoria das probabilidades, otimização e ciência da computação o melhor algoritmo é o MMHC, pois obteve-se resultados análogos em termos da estrutura das redes bayesianas geradas e este método é mais robusto pois sua implementação é híbrida. Os métodos estudados e aplicados são úteis para entender a estrutura condicional probabilística entre as variáveis de interesse e podem ser utilizados como um indicador de políticas públicas locais para o controle e intervenções da diabetes mellitus no nível populacional.