Modelo de inteligência artificial para a predição das doenças inflamatórias intestinais, através de dados clínicos e epidemiológicos

Abstract

As Doenças Inflamatórias Intestinais (DIIs), representadas pela Doença de Crohn (DC) e a Retocolite Ulcerativa (RCU), apresentam elevada heterogeneidade clínica, dificultando a previsão de sua evolução e a definição de estratégias terapêuticas. Nesse contexto, este estudo desenvolveu e avaliou modelos de redes neurais artificiais multicamadas (RNA-MLP) para classificar o tipo de DII e predizer desfechos cirúrgicos e medicamentosos. Foram utilizados dados do registro nacional do GEDIIB, composto por 2.751 pacientes e 932 variáveis clínicas. Após o pré-processamento, foram construídos modelos para diferenciação entre DC e RCU, ocorrência de cirurgia relacionada à DII e utilização de terapia biológica, considerando bases globais e específicas para cada doença, em versões originais e balanceadas. O desempenho foi avaliado por acurácia, precisão, recall, F1-score e ROC-AUC, enquanto a metodologia SHAP foi utilizada para identificar as variáveis clínicas de maior influência nas predições. Os resultados demonstraram o potencial dos modelos em reconhecer padrões clínicos complexos e auxiliar na classificação das DIIs e na predição de desfechos cirúrgicos e terapêuticos.

Inflammatory Bowel Diseases (IBDs), represented by Crohn’s Disease (CD) and Ulcerative Colitis (UC), are characterized by substantial clinical heterogeneity, making it challenging to predict disease progression and define therapeutic strategies. In this context, this study developed and evaluated multilayer artificial neural network models (ANN-MLP) to classify IBD type and predict surgical and medication-related outcomes. Data from the GEDIIB national registry, comprising 2,751 patients and 932 clinical variables, were used. After data preprocessing, models were developed to differentiate CD from UC, predict the occurrence of IBD-related surgery, and predict the use of biological therapy, considering global and disease-specific datasets in both original and balanced versions. Model performance was evaluated using accuracy, precision, recall, F1-score, and area under the receiver operating characteristic curve (ROC-AUC), while SHAP was applied to identify the clinical variables with the greatest influence on model predictions. The results demonstrated the potential of these models to recognize complex clinical patterns and assist in IBD classification and the prediction of surgical and therapeutic outcomes.