Dra. Irene González-Partida y Dr. Daniel Carpio

La Enfermedad Inflamatoria Intestinal (EII) incluye la enfermedad de Crohn (EC) y la Colitis Ulcerosa (CU), dos patologías cuya prevalencia está en aumento -se estima que para 2030 afectarán a una de cada 100 personas-. Su naturaleza crónica y compleja, asociada a una heterogeneidad clínica y de respuesta a los tratamientos, las convierte en un escenario ideal para aplicar algoritmos avanzados que mejoren el manejo de estos pacientes.

Por ello, la Inteligencia Artificial (IA) tiene un gran potencial para optimizar el diagnóstico, personalizar los tratamientos y mejorar el seguimiento de los pacientes. Gracias a su capacidad para emular las decisiones de los especialistas y procesar grandes volúmenes de datos complejos y multidimensionales, imposibles de analizar con métodos estadísticos convencionales, la IA se posiciona como una herramienta de un valor incalculable. Realizará evaluaciones más precisas y objetivas de la enfermedad, predecirá resultados clínicos futuros y generará nuevos conocimientos sobre su fisiopatología.

La aplicación de la IA en la EII es posible gracias a la disponibilidad de grandes volúmenes de datos médicos digitalizados y al aprendizaje automático, que permite reconocer patrones complejos. En este proceso, los modelos se entrenan utilizando datos etiquetados (aprendizaje supervisado) o no etiquetados (aprendizaje no supervisado), para predecir resultados o identificar subgrupos de población. Mientras que el aprendizaje supervisado se centra en predicciones específicas, el no supervisado facilita la generación de hipótesis y el descubrimiento de nuevos conocimientos¹.

Optimización del diagnóstico y monitorización de la EII
A día de hoy los objetivos del tratamiento de la EII son cada vez más ambiciosos, habiéndose pasado de la remisión clínica a la remisión endoscópica, histológica y transmural.

La endoscopia se ha convertido en el eje central para el diagnóstico y seguimiento de los pacientes; además, es el área de la EII en la que más se ha desarrollado la IA. Existen numerosos índices endoscópicos que, aplicados por los endoscopistas, pueden dar lugar a una amplia variabilidad intra e inter-observador, lo que plantea la necesidad de herramientas más objetivas y estandarizadas. En este contexto, la IA emerge como una solución prometedora, capaz de analizar imágenes endoscópicas, igual e incluso mejor que los endoscopistas humanos, reducir la variabilidad entre observadores y facilitar la evaluación sistemática de la actividad de la enfermedad². Existen algoritmos capaces de graduar la gravedad de las lesiones mediante índices endoscópicos, replicando e incluso superando puntuaciones endoscópicas tradicionales. En un metaanálisis reciente que incluyó estudios que evaluaban la calidad de algoritmos de redes neuronales para evaluar la gravedad de la CU mediante índices endoscópicos, se determinó una precisión media del 91.5% frente a observadores humanos³. De igual manera, otra revisión sistemática concluyó que diferentes modelos de redes neuronales convolucionales podían determinar también con precisión la presencia de curación mucosa en colonoscopias de pacientes con CU⁴.

Otro ejemplo que quizás tenga una comercialización próxima es la tecnología Red Density (RD) de Pentax^®. La RD es un sistema de puntuación endoscópica automatizado e independiente del operador. Se encontró que una puntuación RD ≥ 65 mostraba una tendencia, aunque no estadísticamente significativa, hacia un mayor riesgo de fracaso del tratamiento a los 5 años. Si bien los resultados son prometedores, se necesita un ensayo prospectivo mayor para confirmar el valor predictivo de la RD y determinar el punto de corte óptimo para la remisión clínica a largo plazo⁵.

Sin embargo, esta capacidad de análisis va mucho más allá, ya que existen algoritmos que distinguen mejor a los pacientes y predicen resultados clínicos diferentes incluso en individuos con puntuaciones endoscópicas iguales, debido a que pueden tener variaciones importantes en la carga de enfermedad. En el ensayo clínico UNIFI de ustekinumab, Stidham y colegas han desarrollado una nueva métrica mediante IA, Cumulative Disease Score -CDS- (puntuación acumulada de enfermedad). En este estudio se realizó un mapeo automático de toda la actividad endoscópica del colon, de tal manera que el CDS fue capaz de predecir respuesta terapéutica requiriendo sólo el 50% de sujetos para el mismo grado de potencia que utilizando el índice de actividad endoscópica convencional⁶.

En los últimos años la actividad histológica ha demostrado tener valor pronóstico en los pacientes con CU. En un estudio del grupo de la doctora Iacucci presentado en 2023, mediante el uso de algoritmos de redes neuronales fueron capaces de detectar la presencia de remisión endoscópica e histológica graduadas por el índice UCEIS y PICaSSO. El modelo de IA PICaSSO es un índice que se realiza mediante cromoendoscopia virtual⁷; en este estudio, además, fueron capaces de dotarle de valor pronóstico. El modelo demostró una fuerte asociación entre actividad histológica de la enfermedad y resultados clínicos adversos en los siguientes 12 meses⁸.

Otro autor relevante en esta área es el japonés Takenaka, cuyo grupo desarrolló en 2021 DNCU, un modelo de red neuronal profunda basada en imágenes endoscópicas de CU. Con este modelo, los autores demostraron que la DNCU era comparable a los endoscopistas a la hora de graduar la actividad endoscópica, pudiéndose también determinar la presencia de curación histológica sin necesidad de biopsia, y, al igual que el grupo de Iacucci, predecir el pronóstico de las personas con CU⁹.

En la EC la cápsula endoscópica es una herramienta utilizada para detectar la presencia de actividad a nivel del intestino delgado. Sin embargo, la revisión de imágenes es laboriosa, consume gran cantidad de tiempo y está sujeta a la omisión de lesiones por la larga duración de los videos y fatiga del explorador. Varios estudios han demostrado que modelos entrenados de IA han mejorado la detección de estenosis y úlceras, además de reducir al 97% el tiempo de exploración^10-12. Probablemente por ello, la monitorización de la EC mediante esta técnica será asumida más pronto que tarde por la IA.

La valoración de las biopsias en EII ha sido otro reclamo para la creación de modelos de IA. En 2013, Matalka y colaboradores fueron pioneros al desarrollar un modelo de procesamiento de imágenes para evaluar automáticamente la distorsión arquitectural y el daño de la mucosa en el diagnóstico de EII. Este sistema mostró una tasa de precisión global superior al 98% en comparación con el consenso de tres patólogos expertos a la hora de diferenciar pacientes con EII de aquellos sanos¹³. Además de Matalka, muchos otros autores han presentado modelos que han sido capaces de predecir actividad y remisión histológica y de graduar la actividad usando índices como Nancy o Geboes¹⁴.

En la EC, el modelo desarrollado por Kiyokawa fue capaz de predecir recurrencia postquirúrgica analizando 550 muestras de resecciones quirúrgicas. Es el primer estudio que relaciona cambios en los adipocitos de la subserosa con recurrencia tras la cirugía. Además, el análisis histopatológico asistido por IA indicó que el grado de infiltración de mastocitos en el tejido subseroso se asociaba también con recurrencia postquirúrgica¹⁵.

La imagen es, asimismo, una herramienta esencial en la EC. La Tomografía Axial Computarizada (TAC), la resonancia magnética y especialmente la ecografía intestinal por su amplia disponibilidad, seguridad y coste-efectividad, son técnicas muy empleadas para el seguimiento. Tanto para el TAC como para la resonancia existen modelos de IA muy prometedores. La radiómica es una técnica radiológica que utiliza algoritmos de IA para analizar imágenes médicas extrayendo características cuantitativas de éstas. En EII se ha utilizado para mejorar la caracterización de la fibrosis intestinal de la EC mediante el análisis de imágenes de enterografía por TC. Este modelo radiómico demostró una mayor precisión en la caracterización de la fibrosis intestinal, superando la interpretación visual de los radiólogos. Las características radiómicas seleccionadas mostraron una alta reproducibilidad inter e intraobservador, lo que aumenta la fiabilidad de la metodología¹⁶. En el caso de la ecografía, los modelos están aún en desarrollo, aunque recientemente se ha validado una red neuronal capaz de reconocer el engrosamiento de la pared intestinal sugestivo de enfermedad, y distinguirlo de un intestino normal¹⁷.

La IA en el pronóstico o en la estratificación del riesgo ¿Puede ayudarnos a predecir el riesgo de mala evolución o complicaciones?
Otro problema frente al que la aplicación de la IA podría ser útil es a la hora de ayudarnos a predecir el riesgo de mal pronóstico de la EII en el momento del diagnóstico, para poder iniciar así una terapia avanzada (biológicos o pequeñas moléculas) de forma precoz en aquellos pacientes con mayor riesgo de mala evolución. De hecho, ya se han desarrollado modelos utilizando datos clínicos, genéticos o proteómicos para prever el riesgo de progresión de la EC a fenotipos complicados (patrón estenosante o penetrante)¹⁸, recurrencia postquirúrgica¹⁹, riesgo de hospitalización o uso de corticoides²⁰, o la necesidad de tratamiento avanzado²¹.

La IA en la predicción de respuesta a los tratamientos. ¿Puede la IA mejorar nuestra capacidad de predecir la respuesta a los tratamientos de la EII?
Afortunadamente, cada vez disponemos de más opciones terapéuticas para el abordaje de la EII; sin embargo, nos encontramos con el problema de la marcada variabilidad en la respuesta de cada paciente a cada una de ellas, respuesta que además es impredecible antes de iniciar el tratamiento. Por este motivo, una parte importante de los esfuerzos de investigación sobre IA en el ámbito de la EII van dirigidos a crear modelos que permitan predecir la respuesta a las diferentes terapias (y el riesgo de toxicidad), con el fin de poder elegir en cada paciente el tratamiento con mejor balance beneficio/riesgo. Se han llevado a cabo varios estudios, especialmente por el grupo de Waljee en el Hospital de Veteranos de Ann Arbor (Michigan, en Estados Unidos) utilizando modelos de aprendizaje automático para predecir la respuesta a tiopurinas²², infliximab²³ o ustekinumab²⁴.

Sin embargo, la mayoría de los estudios son de baja calidad metodológica (estudios pequeños, unicéntricos -con el riesgo de overfitting o sobreajuste-, retrospectivos, uso de herramientas de IA inadecuadas, etc.). Por tanto, se necesitan más estudios multicéntricos, con mayor número de pacientes y especialmente validados en diferentes poblaciones (y en diferentes plataformas de historias clínicas electrónicas) antes de implementar su uso en la práctica clínica.

Otras aplicaciones de la IA en la EII
El procesamiento natural del lenguaje (PNL) es un campo de la IA diseñado para comprender texto humano que se utiliza para recopilar información de registros electrónicos médicos. En el caso de la EII, estos modelos han servido, por ejemplo, para detectar manifestaciones extraintestinales con la misma precisión que médicos especialistas que revisaban manualmente las historias clínicas²⁵. Otro estudio logró identificar, a través de PNL, el fenotipo de los pacientes con EC y su respuesta al tratamiento, alcanzando una precisión del 85% en comparación con los especialistas locales²⁶.

Una tecnología más avanzada al PNL son los modelos de lenguaje de gran tamaño (LLM). Son sistemas entrenados con grandes cantidades de datos de diferentes fuentes, como vídeos, análisis de laboratorio, historia clínica, etc. Están diseñados para comprender, generar y responder al lenguaje humano de manera muy precisa. Los LLM son la base de los chatbots (aplicaciones conversacionales). Éstos pueden responder a preguntas, realizar tareas específicas y proporcionar asistencia en tiempo real, adaptándose al contexto de la conversación. En el caso de la EII, esta tecnología se empleará -entre otras muchas indicaciones- para recopilar información periódica de los pacientes y, en función de sus necesidades particulares, dar recomendaciones específicas, por ejemplo sobre tratamientos, preparación para colonoscopia, autocuidado, etc².

Limitaciones y barreras de la IA
Pero la IA también tiene sus particularidades y desafíos que deberemos superar trabajando conjuntamente investigadores, ingenieros, médicos, reguladores e industria. Hoy en día, la disponibilidad comercial de estas aplicaciones es limitada y, aunque en el ámbito de la investigación el desarrollo de modelos es imparable, la necesidad de ciertas condiciones probablemente esté frenando su expansión. Para el desarrollo de modelos precisos se necesita validación interna y externa, y esto pasa por probar los algoritmos en poblaciones diversas y extensas, haciendo que el modelo sea generalizable. Además, las redes neuronales son cajas negras cuyas predicciones son difíciles de explicar. Esta falta de transparencia puede generar desconfianza en los médicos, por lo que en el futuro los sistemas de IA deben ser explicables y definir la lógica que hay detrás de sus predicciones.

Por otro lado, es importante demostrar, mediante estudio de superioridad, que la IA será capaz de mejorar las predicciones frente a los métodos tradicionales. Por último, y no menos importante, están las cuestiones éticas y legales que derivan del uso de datos privados, posibles sesgos algorítmicos y la utilización responsable de dicha herramienta superavanzada, por lo que se necesita un marco regulatorio que guíe el desarrollo y la implementación de la IA en la práctica clínica, algo aún no definido²⁷.

La IA se está convirtiendo en una aliada clave para los médicos en el manejo de la EII porque, con el uso de esta tecnología, se está abriendo la puerta a una nueva era en el cuidado de los pacientes. Con su capacidad para mejorar el diagnóstico, seguimiento y tratamiento personalizado, tiene el potencial de revolucionar la práctica médica. Sin embargo, su éxito dependerá de trabajar en equipo con especialistas, investigadores y desarrolladores, además de educar a los facultativos para que confíen y sepan usar estas herramientas. La IA no reemplazará al médico, pero la colaboración efectiva entre profesionales sanitarios y máquinas transformará radicalmente la práctica clínica.

Glosario de términos de IA para médicos
A
Algoritmo: Conjunto de instrucciones o reglas que una máquina sigue para realizar una tarea específica.
Aprendizaje automático (Machine Learning): Subcampo de la IA donde los sistemas aprenden y mejoran automáticamente a partir de datos, sin ser programados explícitamente.
Análisis de datos: Proceso de inspeccionar, limpiar y modelar datos para extraer información útil.
B
Big Data: Conjunto de datos de gran volumen, variedad y velocidad que requieren herramientas avanzadas para su análisis.
Bias (sesgo): Errores sistemáticos en un modelo debido a datos desequilibrados o representaciones incorrectas.
C
Chatbot: Sistema de IA diseñado para interactuar con usuarios mediante lenguaje natural, simulando una conversación humana. En el ámbito médico, puede asistir en contextos de preguntas frecuentes, además de agendar citas o brindar información sobre síntomas.
Clasificación: Técnica de aprendizaje automático que asigna categorías o etiquetas a datos.
Clustering: Agrupamiento de datos en subconjuntos basados en características similares, sin etiquetas predefinidas.
Convolución: Técnica matemática utilizada en redes neuronales convolucionales (CNNs) para analizar imágenes o señales.
D
Deep Learning (aprendizaje profundo): Subcampo del aprendizaje automático que utiliza redes neuronales profundas para modelar patrones complejos.
Datos estructurados: Datos organizados en un formato predefinido, como tablas.
Datos no estructurados: Datos sin un formato específico, como texto libre o imágenes.

E
Entrenamiento (Training): Proceso de ajustar los parámetros de un modelo de IA utilizando un conjunto de datos.
Explicabilidad: Capacidad de un modelo de IA para justificar sus decisiones o predicciones.
F
Feature (característica): Atributo o variable utilizada como entrada para un modelo de IA.
Fusión de datos: Integración de múltiples fuentes de datos para un análisis más completo.
G
Generalización: Habilidad de un modelo para aplicar lo aprendido en un conjunto de datos a datos nuevos o desconocidos.
GPU (Unidad de Procesamiento Gráfico): Hardware optimizado para tareas computacionales intensivas, como el entrenamiento de modelos de IA.
H
Hiperparámetros: Parámetros externos a un modelo de IA que deben ser configurados antes del entrenamiento.
Historial clínico electrónico (HCE): Repositorio digital de información clínica que puede ser analizado con IA.
I
Inferencia: Uso de un modelo entrenado para hacer predicciones en nuevos datos.
Interoperabilidad: Capacidad de diferentes sistemas y tecnologías de intercambiar información y funcionar juntos.
L
LLM (Large Language Model): Modelo de lenguaje de gran tamaño, como GPT o BERT, entrenado en vastos conjuntos de datos textuales. En el ámbito médico, puede usarse para generar informes, responder a preguntas clínicas y resumir información compleja.
M
Modelado predictivo: Uso de modelos de IA para anticipar resultados futuros basándose en datos históricos.
Modelo supervisado: Tipo de aprendizaje automático en el que el modelo se entrena con datos etiquetados.
Modelo no supervisado: Modelo entrenado con datos no etiquetados para encontrar patrones ocultos.
N
Natural Language Processing (Procesamiento del Lenguaje Natural): Rama de la IA que se ocupa de la interacción entre computadoras y lenguaje humano.
Normalización: Escalado de datos para mejorar el rendimiento del modelo.

P
Patrones: Relaciones o estructuras identificadas en los datos.
Preprocesamiento de datos: Pasos iniciales para limpiar y preparar datos antes del entrenamiento del modelo.
R
Redes neuronales: Modelos inspirados en el cerebro humano que consisten en capas de nodos (neuronas) interconectados.
Regularización: Técnicas para evitar el sobreajuste en un modelo de IA.
S
Segmentación de imágenes: Proceso de dividir una imagen en partes significativas para el análisis.
Sobreajuste (Overfitting): Cuando un modelo funciona bien con datos de entrenamiento, pero falla con datos nuevos.
Sistemas expertos: Programas de IA diseñados para tomar decisiones específicas basándose en reglas predefinidas.
T
TensorFlow: Plataforma de software de código abierto utilizada para desarrollar y entrenar modelos de IA.
Transferencia de aprendizaje: Uso de un modelo entrenado en una tarea para aplicarlo a una tarea diferente pero relacionada.
V
Validación cruzada: Técnica para evaluar el desempeño de un modelo dividiendo los datos en subconjuntos.
Visión por computadora: Rama de la IA que se centra en extraer información de imágenes o videos.
Z
Zona de incertidumbre: Áreas donde un modelo tiene baja confianza en sus predicciones, crucial para identificar errores potenciales.

Bibliografía
1. Stidham RW, Takenaka K. Artificial Intelligence for Disease Assessment in Inflammatory Bowel Disease: How Will it Change Our Practice? Gastroenterology [Internet]. 2022 Apr;162(5):1493–506. Available from: http://www.ncbi.nlm.nih.gov/pubmed/34995537
2. Ahmed M, Stone ML, Stidham RW. Artificial Intelligence and IBD: Where are We Now and Where Will We Be in the Future? Curr Gastroenterol Rep [Internet]. 2024 May;26(5):137–44. Available from: http://www.ncbi.nlm.nih.gov/pubmed/38411898
3. Jahagirdar V, Bapaye J, Chandan S, Ponnada S, Kochhar GS, Navaneethan U, et al. Diagnostic accuracy of convolutional neural network-based machine learning algorithms in endoscopic severity prediction of ulcerative colitis: a systematic review and meta-analysis. Gastrointest Endosc [Internet]. 2023 Aug;98(2):145-154.e8. Available from: http://www.ncbi.nlm.nih.gov/pubmed/37094691
4. Rimondi A, Gottlieb K, Despott EJ, Iacucci M, Murino A, Tontini GE. Can artificial intelligence replace endoscopists when assessing mucosal healing in ulcerative colitis? A systematic review and diagnostic test accuracy meta-analysis. Dig Liver Dis [Internet]. 2024 Jul 1 [cited 2024 Dec 2];56(7):1164–72. Available from: http://www.dldjournalonline.com/article/S159086582301023X/fulltext
5. Sinonquel P, Bossuyt P, Sabino JPG, Verstockt B, Makino T, Vermeire S, et al. Long-term follow-up of the red density pilot trial: a basis for long-term prediction of sustained clinical remission in ulcerative colitis? Endosc Int Open [Internet]. 2023 Sep 14;11(09):E880–4. Available from: http://www.thieme-connect.de/DOI/DOI?10.1055/a-2153-7210
6. Stidham RW, Cai L, Cheng S, Rajaei F, Hiatt T, Wittrup E, et al. Using Computer Vision to Improve Endoscopic Disease Quantification in Therapeutic Clinical Trials of Ulcerative Colitis. Gastroenterology [Internet]. 2024 Jan;166(1):155-167.e2. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0016508523050862
7. Iacucci M, Daperno M, Lazarev M, Arsenascu R, Tontini GE, Akinola O, et al. Development and reliability of the new endoscopic virtual chromoendoscopy score: the PICaSSO (Paddington International Virtual ChromoendoScopy ScOre) in ulcerative colitis. Gastrointest Endosc [Internet]. 2017 Dec;86(6):1118-1127.e5. Available from: https://linkinghub.elsevier.com/retrieve/pii/S001651071730192X
8. Iacucci M, Cannatelli R, Parigi TL, Nardone OM, Tontini GE, Labarile N, et al. A virtual chromoendoscopy artificial intelligence system to detect endoscopic and histologic activity/remission and predict clinical outcomes in ulcerative colitis. Endoscopy [Internet]. 2023 Apr;55(4):332–41. Available from: http://www.ncbi.nlm.nih.gov/pubmed/36228649
9. Takenaka K, Ohtsuka K, Fujii T, Oshima S, Okamoto R, Watanabe M. Deep Neural Network Accurately Predicts Prognosis of Ulcerative Colitis Using Endoscopic Images. Gastroenterology [Internet]. 2021 May;160(6):2175-2177.e3. Available from: http://www.ncbi.nlm.nih.gov/pubmed/33485853
10. Klang E, Grinman A, Soffer S, Margalit Yehuda R, Barzilay O, Amitai MM, et al. Automated Detection of Crohn’s Disease Intestinal Strictures on Capsule Endoscopy Images Using Deep Neural Networks. J Crohns Colitis [Internet]. 2021 May 4;15(5):749–56. Available from: http://www.ncbi.nlm.nih.gov/pubmed/33216853
11. Barash Y, Azaria L, Soffer S, Margalit Yehuda R, Shlomi O, Ben-Horin S, et al. Ulcer severity grading in video capsule images of patients with Crohn’s disease: an ordinal neural network solution. Gastrointest Endosc [Internet]. 2021 Jan;93(1):187–92. Available from: http://www.ncbi.nlm.nih.gov/pubmed/32535191
12. Brodersen JB, Jensen MD, Leenhardt R, Kjeldsen J, Histace A, Knudsen T, et al. Artificial Intelligence-assisted Analysis of Pan-enteric Capsule Endoscopy in Patients with Suspected Crohn’s Disease: A Study on Diagnostic Performance. J Crohns Colitis [Internet]. 2024 Jan 27;18(1):75–81. Available from: http://www.ncbi.nlm.nih.gov/pubmed/37527554
13. Matalka II, Al-Omari FA, Salama RM, Mohtaseb AH. A novel approach for quantitative assessment of mucosal damage in inflammatory bowel disease. Diagn Pathol [Internet]. 2013 Sep 20;8:156. Available from: http://www.ncbi.nlm.nih.gov/pubmed/24053788
14. Iacucci M, Santacroce G, Zammarchi I, Maeda Y, Del Amor R, Meseguer P, et al. Artificial intelligence and endo-histo-omics: new dimensions of precision endoscopy and histology in inflammatory bowel disease. Lancet Gastroenterol Hepatol [Internet]. 2024 Aug;9(8):758–72. Available from: https://linkinghub.elsevier.com/retrieve/pii/S2468125324000530
15. Kiyokawa H, Abe M, Matsui T, Kurashige M, Ohshima K, Tahara S, et al. Deep Learning Analysis of Histologic Images from Intestinal Specimen Reveals Adipocyte Shrinkage and Mast Cell Infiltration to Predict Postoperative Crohn Disease. Am J Pathol [Internet]. 2022 Jun;192(6):904–16. Available from: http://www.ncbi.nlm.nih.gov/pubmed/35358474
16. Li X, Liang D, Meng J, Zhou J, Chen Z, Huang S, et al. Development and Validation of a Novel Computed-Tomography Enterography Radiomic Approach for Characterization of Intestinal Fibrosis in Crohn’s Disease. Gastroenterology [Internet]. 2021 Jun;160(7):2303-2316.e11. Available from: https://linkinghub.elsevier.com/retrieve/pii/S0016508521004157
17. Carter D, Albshesh A, Shimon C, Segal B, Yershov A, Kopylov U, et al. Automatized Detection of Crohn’s Disease in Intestinal Ultrasound Using Convolutional Neural Network. Inflamm Bowel Dis [Internet]. 2023 Dec 5;29(12):1901–6. Available from: http://www.ncbi.nlm.nih.gov/pubmed/36794834
18. Ungaro RC, Hu L, Ji J, Nayar S, Kugathasan S, Denson LA, et al. Machine learning identifies novel blood protein predictors of penetrating and stricturing complications in newly diagnosed paediatric Crohn’s disease. Aliment Pharmacol Ther [Internet]. 2021 Jan;53(2):281–90. Available from: http://www.ncbi.nlm.nih.gov/pubmed/33131065
19. Cushing KC, Mclean R, McDonald KG, Gustafsson JK, Knoop KA, Kulkarni DH, et al. Predicting Risk of Postoperative Disease Recurrence in Crohn’s Disease: Patients With Indolent Crohn’s Disease Have Distinct Whole Transcriptome Profiles at the Time of First Surgery. Inflamm Bowel Dis [Internet]. 2019 Jan 1;25(1):180–93. Available from: http://www.ncbi.nlm.nih.gov/pubmed/29982468
20. Waljee AK, Lipson R, Wiitala WL, Zhang Y, Liu B, Zhu J, et al. Predicting Hospitalization and Outpatient Corticosteroid Use in Inflammatory Bowel Disease Patients Using Machine Learning. Inflamm Bowel Dis [Internet]. 2018 Jan 1;24(1):45–53. Available from: https://academic.oup.com/ibdjournal/article/24/1/45/4642847
21. Biasci D, Lee JC, Noor NM, Pombal DR, Hou M, Lewis N, et al. A blood-based prognostic biomarker in IBD. Gut [Internet]. 2019 Aug;68(8):1386–95. Available from: http://www.ncbi.nlm.nih.gov/pubmed/31030191
22. Waljee AK, Sauder K, Zhang Y, Zhu J, Higgins PDR. External Validation of a Thiopurine Monitoring Algorithm on the SONIC Clinical Trial Dataset. Clin Gastroenterol Hepatol [Internet]. 2018 Mar;16(3):449–51. Available from: http://www.ncbi.nlm.nih.gov/pubmed/28838785
23. Li Y, Pan J, Zhou N, Fu D, Lian G, Yi J, et al. A random forest model predicts responses to infliximab in Crohn’s disease based on clinical and serological parameters. Scand J Gastroenterol [Internet]. 2021 Sep;56(9):1030–9. Available from: http://www.ncbi.nlm.nih.gov/pubmed/34304688
24. Waljee AK, Wallace BI, Cohen-Mekelburg S, Liu Y, Liu B, Sauder K, et al. Development and Validation of Machine Learning Models in Prediction of Remission in Patients With Moderate to Severe Crohn Disease. JAMA Netw open [Internet]. 2019 May 3;2(5):e193721. Available from: http://www.ncbi.nlm.nih.gov/pubmed/31074823
25. Stidham RW, Yu D, Zhao X, Bishu S, Rice M, Bourque C, et al. Identifying the Presence, Activity, and Status of Extraintestinal Manifestations of Inflammatory Bowel Disease Using Natural Language Processing of Clinical Notes. Inflamm Bowel Dis [Internet]. 2023 Apr 3;29(4):503–10. Available from: http://www.ncbi.nlm.nih.gov/pubmed/35657296
26. Kurowski JA, Achkar J-P, Sugano D, Milinovich A, Ji X, Bauman J, et al. Computable Phenotype of a Crohn’s Disease Natural History Model. Med Decis Making [Internet]. 2022 Oct;42(7):937–44. Available from: http://www.ncbi.nlm.nih.gov/pubmed/35658747
27. Iacucci M, Parigi TL, Del Amor R, Meseguer P, Mandelli G, Bozzola A, et al. Artificial Intelligence Enabled Histological Prediction of Remission or Activity and Clinical Outcomes in Ulcerative Colitis. Gastroenterology [Internet]. 2023 Jun;164(7):1180-1188.e2. Available from: http://www.ncbi.nlm.nih.gov/pubmed/36871598