This work aims to improve the predictability of asphericity and average keratometry in keratoconus patients after implantation of intrastromal corneal ring segments (ICRS) by creating computational models based on machine learning, using tomographic data of the cornea. This study included 209 eyes of 160 keratoconus (grades I, II and III) implanted with ICRS. The Ferrara ICRS with 160 degrees of arch was implanted in all patients. The ICRS thickness varied from 150 to 250 micra. One or two segments were implanted. The base was composed of corneal tomography Pentacam® (Oculus, Wetzlar, Alemanha) parameters, clinical data and Ferrara ring data totaling 39 parameters. To create the models, neural network algorithms type multlayer perceptron (MLP) and linear regression were used. This study was conducted in four phases: (1) Preparation of the database and setting the values to be predicted mean keratometry and asphericity; (2) Calculation of the variation mean keratometry and asphericity and the nomogram calculation error; (3) Application of machine learning algorithms and attribute selection; (4) Mean keratometry and asphericity variation calculation provided for comparing algorithm with the variation of the preoperative and postoperative calculation of the algorithm and of the error. As a result, the best mean absolute error value found for asphericity was 0.19 and mean keratometry was 1.18. Comparing the mean absolute error values of the nomogram and the average absolute error of the algorithm, there was an improvement of 0.11 to asphericity and 0.09 to mean keratometry in relation to the current nomogram, confirming that the use of computational models can achieve more accurate results may contribute to surgical decision in an attempt to improve the quality of vision of keratoconus patients. / O presente trabalho destina-se a melhorar a previsibilidade da asfericidade e da ceratometria média no pós-operatório de implante de anel intraestromal (SAIC) em pacientes com ceratocone por meio da criação de modelos computacionais baseados em aprendizagem de máquina, utilizando dados tomográficos da córnea. Foram incluídos 209 olhos de 160 pacientes com graus I, II e III de ceratocone submetidos a cirurgia com implante de SAIC. Em todos os pacientes foi implantado anel de Ferrara com 160o de arco com variação de espessura entre 150 e 250 µm e presença de 1 ou 2 segmentos. A base foi composta por parâmetros da tomografia de córnea pentacam®, dados clínicos e dados do anel de Ferrara totalizando 39 parâmetros. Para criação dos modelos, foram utilizados os algoritmos Rede Neural do tipo multlayer perceptron (MLP) e regressão linear. Este estudo foi desenvolvido em 4 fases distintas: (1) Preparação da base de dados e definição dos valores a serem preditos de ceratometria média e asfericidade; (2) Cálculo da variação da ceratometria média e asfericidade e cálculo do erro do nomograma; (3) Aplicação dos algoritmos de aprendizagem de máquina e seleção de atributos; (4) Cálculo da variação da ceratometria média e da asfericidade prevista pelo algoritmo comparando com a variação do pré e pós operatório e cálculo do erro do algoritmo. Como resultado, o melhor valor do erro absoluto médio encontrado para asfericidade foi 0.19 e para ceratometria média foi 1.18. Comparando os valores do erro médio do nomograma e o erro médio do algoritmo, houve uma melhora de 0.11 para asfericidade e 0.09 para ceratometria média em relação ao nomograma atual, confirmando que a utilização de modelos computacionais é capaz de alcançar resultados mais precisos podendo contribuir para decisão cirúrgica na tentativa de melhorar a qualidade de visão de pacientes com ceratocone.