{ "abstract": "Introdução: A mortalidade não relacionada à recaída (MNR) permanece como uma das principais causas de falha terapêutica após o transplante alogênico de células-tronco hematopoéticas (TCTH-alo). Embora escores de risco pré-transplante, como Hematopoietic Cell Transplantation-Comorbidity Index (HCT-CI) e Simplified Comorbidity Index (SCI), identifiquem pacientes com maior risco de complicações relacionadas ao transplante, a predição da MNR tardia permanece desafiadora. Investigamos se a integração do SCI com variáveis pré-transplante e machine learning (ML) melhora a predição da MNR em 5 anos. Métodos: Estudo de coorte retrospectivo com 180 adultos submetidos ao TCTH-alo por neoplasias hematológicas (jan/2013 a dez/2025). O desfecho primário foi MNR em 5 anos, com a mortalidade por recaída como evento concorrente. Análises univariadas e multivariadas avaliaram MNR, sobrevida global (SG) e livre de progressão (SLP). Variáveis para ML foram selecionadas por plausibilidade biológica, relevância clínica, valor prognóstico e disponibilidade. Regressão logística, elastic net, Naïve Bayes, máquinas de vetores de suporte e Random Forest foram avaliados por validação cruzada estratificada quíntupla repetida 10 vezes. A interpretabilidade foi avaliada por SHAP. Não se utilizou SMOTE ou outra sobreamostragem sintética. Avaliou-se abordagem sequencial (predição de mortalidade geral seguida de classificação entre MNR e recaída). Resultados: A coorte incluiu 180 adultos, com mediana de seguimento de 58 meses e idade mediana de 52 anos (18-81). As doenças mais frequentes foram leucemia mieloide aguda (37,2%), leucemia linfoblástica aguda (21,7%) e síndrome mielodisplásica (15,6%); 67% receberam condicionamento de intensidade reduzida (RIC) e 78% apresentavam Disease Risk Index (DRI) alto ou muito alto. Em 5 anos, 48 pacientes apresentaram MNR e 27 morreram por recaída. A SG, SLP e incidência acumulada de MNR foram de 55%, 43% e 29%, respectivamente. Na análise multivariada, o SCI, mas não o HCT-CI, foi preditor independente de MNR tardia (HR 2,59; IC95% 1,34-5,00; P=0,004 vs. P=0,48), enquanto doença do enxerto contra o hospedeiro aguda grau III-IV também foi preditor independente de MNR (HR 3,21; IC95% 1,29-8,02; P=0,012). Idade >52 anos e mais de uma linha prévia de tratamento predisseram pior SG e SLP. O SCI foi selecionado como base para os modelos de ML, e o Random Forest apresentou melhor discriminação para MNR em 5 anos, incorporando SCI, linhas prévias de tratamento, condicionamento com TBI, sorologia CMV do receptor e tipo de doador (AUROC 0,77; IC95% 0,56-0,89; sensibilidade 68,9%; especificidade 81,4%). O SHAP identificou o SCI como o preditor mais influente. A abordagem sequencial (Random Forest + Naïve Bayes) atingiu AUROC de 0,78 (IC95% 0,70-0,86), sensibilidade de 82,2% e especificidade de 72,6%, com sorologia CMV do receptor, SCI, linhas prévias de tratamento, DRI e TBI como principais preditores. Conclusões: O SCI superou o HCT-CI na predição da MNR tardia após o TCTH-alo e serviu como base para o desenvolvimento dos modelos de ML. Modelos de machine learning integrando o SCI com variáveis pré-transplante apresentaram boa capacidade discriminativa, mantida na abordagem sequencial. Essa estratégia pode auxiliar na identificação pré-transplante de pacientes com maior risco de mortalidade tardia, contribuindo para aconselhamento individualizado, seleção da estratégia de transplante e planejamento do seguimento em longo prazo.", "abstract_shown": true, "affiliations": [ "Departamento de Hematologia, TMO e Terapia Celular, Hospital Sírio-Libanês; Universidade Federal de São Paulo, São Paulo, SP, Brasil", "Departamento de Hematologia, TMO e Terapia Celular, Hospital Sírio-Libanês, São Paulo, SP, Brasil", "Departamento de Hematologia, TMO e Terapia Celular, Hospital Sírio-Libanês; Hospital das Clínicas, Faculdade de Medicina, Universidade de São Paulo, São Paulo, SP, Brasil", "Departamento de Hematologia, TMO e Terapia Celular, Hospital Sírio-Libanês; Terapias Avançadas e Centro de Pesquisa Clínica, Hospital Sírio-Libanês, São Paulo, SP, Brasil", "Departamento de Hematologia, TMO e Terapia Celular, Hospital Sírio-Libanês; Terapias Avançadas e Centro de Pesquisa Clínica, Hospital Sírio-Libanês; Instituto do Câncer do Estado de São Paulo (ICESP), Faculdade de Medicina, Universidade de São Paulo, São Paulo, SP, Brasil", "Universidade Federal de São Paulo, São Paulo, SP, Brasil", "Universidade Federal de São Paulo; Grupo Fleury, São Paulo, SP, Brasil", "Hospital das Clínicas, Faculdade de Medicina, Universidade de São Paulo; Programa de Transplante de Medula Óssea, Rede D'Or, São Paulo, SP, Brasil", "Universidade Federal de São Paulo; Hospital Nove de Julho, Rede Américas, São, SP, Brasil" ], "article_type": null, "arxiv": null, "author_total": 22, "authors": [ { "affs": [ 0 ], "name": "Pedro PEREZ" }, { "affs": [ 1 ], "name": "Luciana TUCUNDUVA" }, { "affs": [ 2 ], "name": "Aliana FERREIRA" }, { "affs": [ 1 ], "name": "Mariana SERPA" }, { "affs": [ 2 ], "name": "Guilherme FONSECA" }, { "affs": [ 1 ], "name": "Simone Ojima FERREIRA" }, { "affs": [ 1 ], "name": "Ana Paula GERALDO" }, { "affs": [ 1 ], "name": "Maria Cristina SEIWALD" }, { "affs": [ 3 ], "name": "Anita CORTEZ" }, { "affs": [ 3 ], "name": "Ana FONSECA" }, { "affs": [ 1 ], "name": "Juliana SANTOS" }, { "affs": [ 2 ], "name": "Marcos Piccoli SILVA" }, { "affs": [ 4 ], "name": "Jacqueline RENA" }, { "affs": [ 1 ], "name": "Lucas SALES" }, { "affs": [ 3 ], "name": "Fernando Gibran NUNES" }, { "affs": [ 5 ], "name": "Lisandra GOMES" }, { "affs": [ 5 ], "name": "Andre SHIMAOKA" }, { "affs": [ 6 ], "name": "Alex Freire SANDES" }, { "affs": [ 7 ], "name": "Vanderson ROCHA" }, { "affs": [ 8 ], "name": "Celso ARRAIS-RODRIGUES" }, { "affs": [ 1 ], "name": "Yana NOVIS" }, { "affs": [ 1 ], "name": "Erick XAVIER" } ], "bibtex": "https://research.draconitic.com/paper/8fa1tey3np9jg.bib", "cited_by": 0, "doi": "10.1016/j.htct.2026.107636", "fulltext_url": "http://www.sciencedirect.com/science/article/pii/S2531137926013830", "id": "8fa1tey3np9jg", "issns": [ "2531-1379", "2531-1387" ], "landing_url": "https://doi.org/10.1016/j.htct.2026.107636", "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": "W7223141360", "pdf_url": "https://www.sciencedirect.com/science/article/pii/S2531137926013830/pdf", "pmcid": null, "pmid": null, "published": "2026-10-23", "publisher": "Elsevier", "ris": "https://research.draconitic.com/paper/8fa1tey3np9jg.ris", "sources": [ { "first_seen": "2026-10-30T12:17:22Z", "native_id": "09049c16f8844c9598158de44661aac7", "source": "doaj", "url": "https://doi.org/10.1016/j.htct.2026.107636" } ], "subjects": [ { "field": "medicine", "origin": "lcc:RC633-647.5", "subfield": "endocrinology-metabolism" } ], "title": "MACHINE LEARNING MELHORA A PREDIÇÃO DA MORTALIDADE TARDIA NÃO RELACIONADA À RECAÍDA APÓS O TRANSPLANTE ALOGÊNICO AO INTEGRAR O SIMPLIFIED COMORBIDITY INDEX (SCI) COM VARIÁVEIS PRÉ-TRANSPLANTE ADICIONAIS", "title_text": "MACHINE LEARNING MELHORA A PREDIÇÃO DA MORTALIDADE TARDIA NÃO RELACIONADA À RECAÍDA APÓS O TRANSPLANTE ALOGÊNICO AO INTEGRAR O SIMPLIFIED COMORBIDITY INDEX (SCI) COM VARIÁVEIS PRÉ-TRANSPLANTE ADICIONAIS", "type": "peer-reviewed", "updated_at": "2026-10-30T13:43:30Z", "url": "https://research.draconitic.com/paper/8fa1tey3np9jg", "venue": "Hematology, Transfusion and Cell Therapy", "versions": [] }