{
  "abstract": "Introdução: A Doença do Enxerto contra o Hospedeiro aguda (DECHa) permanece como uma das principais barreiras ao sucesso do transplante de células-tronco hematopoéticas (TCTH) alogênico, sendo uma importante causa de mortalidade não relacionada à recaída. Escores de risco tradicionais têm poder discriminatório limitado diante da interação não linear entre variáveis clínicas, imunogenéticas e do próprio transplante. Algoritmos de aprendizado de máquina, como o eXtreme Gradient Boosting (XGBoost), oferecem alta capacidade preditiva, e sua combinação com técnicas de Inteligência Artificial Explicável, como o SHAP (SHapley Additive exPlanations), permite traduzir previsões complexas em contribuições clinicamente interpretáveis, aproximando a predição de risco da prática à beira do leito. Objetivo: Desenvolver e avaliar o desempenho preditivo e a explicabilidade global de um modelo XGBoost para estimar o risco de DECHa graus II-IV a partir de variáveis pré-transplante, em uma grande coorte de pacientes adultos. Métodos: Estudo retrospectivo com 7.163 adultos submetidos à TCTH alogênica (base da CIBMTR). Preditores pré-transplante foram selecionados pelo algoritmo Boruta e integrados a um pipeline automatizado no ambiente mlr3. O modelo XGBoost foi otimizado por validação cruzada e avaliado por bootstrap estratificado (1.000 reamostragens) em conjunto de teste independente. A contribuição marginal de cada preditor foi quantificada por meio de valores de SHAP, o que permitiu hierarquizar os determinantes de risco. Resultados: O modelo alcançou AUC-ROC de 0,598 (IC 95%: 0,597–0,599), com sensibilidade de 80,8% e especificidade de 33,1% no limiar padrão de 0,5. A análise SHAP revelou cinco determinantes centrais: 1) doença primária, com leucemia linfoide aguda e síndrome mielodisplásica elevando o risco predito, enquanto leucemia mieloide aguda o reduziu; 2) estadiamento avançado da doença, associado a maior risco; 3) incompatibilidade HLA-DPB1, atuando como amplificador de risco; 4) condicionamento mieloablativo, elevando o riscontando o risco em relação a regimes de intensidade reduzida; e 5) índice de comorbidade HCT-CI, cujos escores ≥ 2 produziram nítida separação bimodal de risco. Discussão: O modelo demonstrou capacidade de capturar interações pré-TCTH clinicamente relevantes, com sensibilidade elevada favorável ao rastreamento precoce. A hierarquia de preditores identificada pelo SHAP é biologicamente coerente e reforça o papel conjunto da neoplasia de base, do estadiamento, da compatibilidade imunogenética, da intensidade do condicionamento e da carga de comorbidades na fisiopatologia da DECHa. A baixa especificidade no limiar padrão sugere que o ponto de corte operacional deve ser ajustado de acordo com a tolerância ao risco de cada estratégia profilática, evitando intervenções desnecessárias. Conclusão: O XGBoost constitui uma ferramenta robusta e escalável para predição pré-TCTH da DECHa, e sua integração com o SHAP confere transparência clínica aos preditores dominantes. Os achados reforçam que aliar explicabilidade e calibração de thresholds é essencial para transformar modelos preditivos em suporte real à decisão clínica no manejo da DECHa.",
  "abstract_shown": true,
  "affiliations": [
    "Universidade Federal do Rio de Janeiro (UFRJ), Rio de Janeiro, RJ, Brasil",
    "Instituto Nacional de Câncer (INCA), Rio de Janeiro, RJ, Brasil",
    "Universidade Federal do Estado do Rio de Janeiro (UNIRIO), Rio de Janeiro, RJ, Brasil"
  ],
  "article_type": null,
  "arxiv": null,
  "author_total": 3,
  "authors": [
    {
      "affs": [
        0
      ],
      "name": "Anna Beatriz Fusco de Souza FERREIRA"
    },
    {
      "affs": [
        1
      ],
      "name": "Vinicius Navega STELET"
    },
    {
      "affs": [
        2
      ],
      "name": "Letícia Martins RAPOSO"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/354a2458yw7gb.bib",
  "cited_by": 0,
  "doi": "10.1016/j.htct.2026.106901",
  "fulltext_url": "http://www.sciencedirect.com/science/article/pii/S2531137926006486",
  "id": "354a2458yw7gb",
  "issns": [
    "2531-1379",
    "2531-1387"
  ],
  "landing_url": "https://doi.org/10.1016/j.htct.2026.106901",
  "language": "en",
  "licence": "CC-BY",
  "licence_label": "CC BY",
  "licence_source": "journal",
  "licence_url": "https://creativecommons.org/licenses/by/4.0/",
  "metadata_licence": null,
  "native_subjects": [
    [
      "lcc",
      "RC633-647.5"
    ],
    [
      "openalex",
      "2720|Hematopoietic Stem Cell Transplantation"
    ]
  ],
  "openalex": "W7223128068",
  "pdf_url": null,
  "pmcid": null,
  "pmid": null,
  "published": "2026-10-23",
  "publisher": "Elsevier",
  "ris": "https://research.draconitic.com/paper/354a2458yw7gb.ris",
  "sources": [
    {
      "first_seen": "2026-10-30T13:43:26Z",
      "native_id": "8e0ae753fd7d4190b276750f363d4a49",
      "source": "doaj",
      "url": "https://doi.org/10.1016/j.htct.2026.106901"
    }
  ],
  "subjects": [
    {
      "field": "medicine",
      "origin": "lcc:RC633-647.5",
      "subfield": "endocrinology-metabolism"
    }
  ],
  "title": "PREVENDO O RISCO DE DOENÇA DO ENXERTO CONTRA O HOSPEDEIRO AGUDA COM INTELIGÊNCIA ARTIFICIAL: UM MODELO INTERPRETÁVEL PARA APOIAR A DECISÃO CLÍNICA NO TCTH ALOGÊNICO",
  "title_text": "PREVENDO O RISCO DE DOENÇA DO ENXERTO CONTRA O HOSPEDEIRO AGUDA COM INTELIGÊNCIA ARTIFICIAL: UM MODELO INTERPRETÁVEL PARA APOIAR A DECISÃO CLÍNICA NO TCTH ALOGÊNICO",
  "type": "peer-reviewed",
  "updated_at": "2026-10-30T13:43:26Z",
  "url": "https://research.draconitic.com/paper/354a2458yw7gb",
  "venue": "Hematology, Transfusion and Cell Therapy",
  "versions": []
}