{
  "abstract": "Introdução: A detecção do HTLV é crítica para a segurança transfusional. No HEMOPA, a triagem baseia-se em testes sorológicos iniciais, com os casos reativos confirmados via reação em cadeia da polimerase quantitativa (qPCR). Contudo, a alta demanda e os custos da biologia molecular representam gargalos logísticos. Algoritmos de machine learning contornam essa limitação estratificando o risco epidemiológico. O uso de predições estatísticas viabiliza priorizar amostras com alta probabilidade de detecção molecular, auxiliando no fluxo de bancada e otimizando o tempo dos processos. Objetivo: Simular e avaliar uma estratégia de triagem inteligente baseada em redes neurais artificiais para priorizar amostras submetidas à qPCR na detecção do HTLV com base na probabilidade de detecção. Métodos: Estudo retrospectivo com dados do HEMOPA (2015‒2019), aprovado pelo comitê de ética (CAEE nº 9.004.819.7.0000.8187). O banco compreendeu 632 registros. As variáveis incluíram dados demográficos e perfil histórico sorológico. O modelo de Redes Neurais (arquitetura Multi-Layer Perceptron) foi treinado no Orange Data Mining, estruturado com 130 neurônios ocultos, ativação Logistica e otimizador L-BFGS-B. O peso preditivo foi aferido via Ganho de Informação. Para assegurar robustez estatística, aplicou-se validação cruzada estratificada (10-fold cross validation ). A simulação ordenou as amostras conforme a probabilidade predita. Resultados: Os índices sorológicos e o tipo de doador foram os preditores mais determinantes. A Rede obteve desempenho de excelência: Área sob a Curva ROC (AUC) de 0,988, Acurácia de 95,7% e F1-Score de 0,973. No teste (n=126), o confronto com o gabarito registrou 26 verdadeiros positivos, 97 verdadeiros negativos, 2 falsos positivos e 1 falso negativo (Sensibilidade 96,3%, Especificidade 98,0%). A priorização probabilística pode reformular a logística laboratorial: amostras com probabilidade >0,80 demonstram um caráter de maior urgência, podendo servir de alerta para o analista responsável. Em contrapartida, as probabilidades <0,20 agruparam precisamente os indetectáveis, criando condições estatísticas seguras para o processamento em lote de menor prioridade. Discussão: A inteligência artificial demonstrou seu valor não como oráculo diagnóstico, mas como orquestrador logístico rigoroso. A transição de uma fila rudimentar de chegada para uma priorização baseada em risco biomolecular pode ter impacto positivo na eficiência dos processos. A ocorrência de um falso negativo não invalida o método, mas corrobora que a IA hierarquiza o fluxo laboratorial sem dispensar protocolos confirmatórios. Exige-se validação multicêntrica prévia à automação plena. Conclusão: A modelagem preditiva provou ser técnica de alta relevância para triagens inteligentes. O sistema demonstra sua importância a possibilitar priorizar amostras críticas, convertendo o que seria desperdício estatístico em otimização de tempo e recursos.",
  "abstract_shown": true,
  "affiliations": [
    "Fundação Centro de Hemoterapia e Hematologia do Pará (Hemopa), Belém, PA, Brasil"
  ],
  "article_type": null,
  "arxiv": null,
  "author_total": 12,
  "authors": [
    {
      "affs": [
        0
      ],
      "name": "Rafael Corumbá DE OLIVEIRA"
    },
    {
      "affs": [
        0
      ],
      "name": "Núbia Caroline Costa DE ALMEIDA"
    },
    {
      "affs": [
        0
      ],
      "name": "Katarine Antonia dos Santos BARILE"
    },
    {
      "affs": [
        0
      ],
      "name": "Daniel Pinto DOS SANTOS"
    },
    {
      "affs": [
        0
      ],
      "name": "Nathália Araújo DA SILVA"
    },
    {
      "affs": [
        0
      ],
      "name": "Larissa Tatiana Valente Martins FRANCÊS"
    },
    {
      "affs": [
        0
      ],
      "name": "Renata Bezerra Hermes DE CASTRO"
    },
    {
      "affs": [
        0
      ],
      "name": "Suzy Danielle Barbosa PACHECO"
    },
    {
      "affs": [
        0
      ],
      "name": "Evelyn Andremina dos Passos RAMOS"
    },
    {
      "affs": [
        0
      ],
      "name": "Letícia Nóbrega GUIMARÃES"
    },
    {
      "affs": [
        0
      ],
      "name": "Regiane Siqueira DE VILHENA"
    },
    {
      "affs": [
        0
      ],
      "name": "Carlos Eduardo de Melo AMARAL"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/eenpx41s996tq.bib",
  "cited_by": 0,
  "doi": "10.1016/j.htct.2026.106763",
  "fulltext_url": "http://www.sciencedirect.com/science/article/pii/S2531137926005109",
  "id": "eenpx41s996tq",
  "issns": [
    "2531-1379",
    "2531-1387"
  ],
  "landing_url": "https://doi.org/10.1016/j.htct.2026.106763",
  "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",
      "3605|Artificial Intelligence in Healthcare"
    ]
  ],
  "openalex": "W7223090316",
  "pdf_url": null,
  "pmcid": null,
  "pmid": null,
  "published": "2026-10-23",
  "publisher": "Elsevier",
  "ris": "https://research.draconitic.com/paper/eenpx41s996tq.ris",
  "sources": [
    {
      "first_seen": "2026-10-30T13:43:20Z",
      "native_id": "7871c10d3c7c43b199eb8ed0146ed8a0",
      "source": "doaj",
      "url": "https://doi.org/10.1016/j.htct.2026.106763"
    }
  ],
  "subjects": [
    {
      "field": "medicine",
      "origin": "lcc:RC633-647.5",
      "subfield": "endocrinology-metabolism"
    }
  ],
  "title": "SIMULAÇÃO DE TRIAGEM INTELIGENTE PARA PRIORIZAÇÃO DE qPCR NA DETECÇÃO DE HTLV EM BANCO DE SANGUE UTILIZANDO REDES NEURAIS ARTIFICIAIS",
  "title_text": "SIMULAÇÃO DE TRIAGEM INTELIGENTE PARA PRIORIZAÇÃO DE qPCR NA DETECÇÃO DE HTLV EM BANCO DE SANGUE UTILIZANDO REDES NEURAIS ARTIFICIAIS",
  "type": "peer-reviewed",
  "updated_at": "2026-10-30T13:43:20Z",
  "url": "https://research.draconitic.com/paper/eenpx41s996tq",
  "venue": "Hematology, Transfusion and Cell Therapy",
  "versions": []
}