Ibáñez P1,2, Achondo J5, Hernández E, Pizarro G3, Hernández D3, Cartes S4, Arancibia A4, Mora J4. 1Departamento de Gastroenterología, 2Programa de EII, 3Fellow de Enfermedad Inflamatoria, 4Centro de innovación, 5EU Programa EII, Clínica Las Condes.
Introducción: La colitis ulcerosa (CU) afecta distintos segmentos del colon. La clasificación de Montreal (CM) permite determinar tratamiento y seguimiento. La progresión en la extensión se asocia a mayor tasa de hospitalizaciones, colectomía y mayor riesgo de cáncer. El uso de IA podría permitir contar con modelos de predicción de cambio de la extensión. Objetivo: Desarrollar un modelo predictivo de cambio de extensión, en pacientes con CU, mediante el uso de IA a partir del registro de EII. Metodología: Extracción de datos para análisis descriptivo. Preprocesamiento para definir variables del modelo. Cada paciente fue contrastado según su extensión al tiempo de consulta X con la extensión de su enfermedad en su siguiente consulta (X+1). Modelado mediante librerías de Python (sklearn), optimización de exactitud con balance de datos de oversampling. Finalmente, trabajo en grupos de entrenamiento y prueba. Evaluación de modelos según exactitud, área bajo la curva (AUC), sensibilidad y precisión. Resultados: De un total de 4.072 pacientes 6.665 episodios de seguimiento. Considerando 8 variables clínicas (tabla 1), se ejecutaron 14 modelos, de los cuales, Extra trees obtuvo el mejor desempeño; exactitud 0,78, AUC 0,88, sensibilidad 0,81 y precisión 0,76. Conclusiones: Mediante IA, y en base a variables clínicas, se logra un modelo predictivo de cambio de extensión en CU. La alimentación continua de datos permitirá la validación de esta herramienta y su potencial uso clínico.
PDF | DOI: 10.46613/congastro2022-34
XLIX Congreso Chileno de Gastroenterología – 2022