DESENVOLVIMENTO EXPLORATÓRIO DE UM MODELO DE RISCO PARA DISFUNÇÃO TIREOIDIANA EM PACIENTES COM HEPATITE C UTILIZANDO TÉCNICAS DE MACHINE LEARNING

Luis Matos de Oliveira; Gabriela Correia Matos De Oliveira; Raymundo Paraná; Alcina Maria Vinhaes Bittencourt; Osmario Jorge de Mattos Salles; john menezes leahy Neto; Luis Jesuino de Oliveira Andrade

Título do Trabalho

Autores

Luis Matos de Oliveira
Gabriela Correia Matos De Oliveira
Raymundo Paraná
Alcina Maria Vinhaes Bittencourt
Osmario Jorge de Mattos Salles
john menezes leahy Neto
Luis Jesuino de Oliveira Andrade

Modalidade

Pôster

Área temática

Hepatologia

Data de Publicação

30/06/2026

País da Publicação

Brasil

Idioma da Publicação

pt-BR

Página do Trabalho

https://www.even3.com.br/anais/gastrobahia26/1448582-desenvolvimento-exploratorio-de-um-modelo-de-risco-para-disfuncao-tireoidiana-em-pacientes-com-hepatite-c-utiliz

ISBN

978-65-272-2544-7

Palavras-Chave

Hepatite C, Disfunção tireoidiana, Machine learning, Modelo preditivo, Estudo exploratório.

Resumo

Introdução: A disfunção tireoidiana é uma manifestação extra-hepática reconhecida da infecção pelo vírus da hepatite C (HCV), porém a identificação precoce de indivíduos sob maior risco permanece limitada. Objetivo: Desenvolver e avaliar, de forma exploratória, um modelo de estratificação de risco para disfunção tireoidiana em pacientes com HCV, utilizando técnicas de machine learning e variáveis clínicas descritas na literatura. Métodos: Variáveis preditoras clinicamente relevantes (idade, sexo, carga viral, status anti-TPO, genótipo do HCV e estágio de fibrose hepática) foram identificadas a partir de 15 estudos publicados. Com base em estatísticas sumarizadas desses estudos, foi gerado um conjunto de dados sintético (n=1.200) para fins de simulação. Modelos de Regressão Logística, Support Vector Machine e Random Forest foram treinados no ambiente Python (scikit-learn). O desempenho foi avaliado por AUC-ROC, sensibilidade e especificidade, em análise interna. Resultados: O modelo Random Forest apresentou melhor desempenho aparente (AUC=0,86), com sensibilidade de 82% e especificidade de 79%. As variáveis de maior importância foram anti-TPO positivo, sexo feminino e fibrose hepática avançada. Conclusão: Este estudo demonstra, como prova de conceito, o potencial de técnicas de machine learning para estratificação teórica do risco de disfunção tireoidiana em pacientes com HCV. A aplicação clínica do modelo requer validação futura em coortes reais, com dados individuais prospectivos.

Título do Evento: 5o. Congresso Baiano de Gastroenterologia
Cidade do Evento: Salvador
Título dos Anais do Evento: Anais do 5o. Congresso Baiano de Gastroenterologia / 2026
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

OLIVEIRA, Luis Matos de et al.. DESENVOLVIMENTO EXPLORATÓRIO DE UM MODELO DE RISCO PARA DISFUNÇÃO TIREOIDIANA EM PACIENTES COM HEPATITE C UTILIZANDO TÉCNICAS DE MACHINE LEARNING.. In: Anais do 5o. Congresso Baiano de Gastroenterologia / 2026. Anais...Salvador(BA) Centro de Convenções do Hotel Mercure-Salvador, 2026. Disponível em: https//www.even3.com.br/anais/gastrobahia26/1448582-DESENVOLVIMENTO-EXPLORATORIO-DE-UM-MODELO-DE-RISCO-PARA-DISFUNCAO-TIREOIDIANA-EM-PACIENTES-COM-HEPATITE-C-UTILIZ. Acesso em: 16/07/2026