CONTEXTUALIZAÇÃO DO SISTEMA DE SAÚDE MELHORA A TRANSPORTABILIDADE DE MODELOS DE

@article{perez2026contextualização,
  title = {{CONTEXTUALIZAÇÃO DO SISTEMA DE SAÚDE MELHORA A TRANSPORTABILIDADE DE MODELOS DE}},
  author = {Pedro Santos PEREZ and Vincent ALCAZER and Fabio Pires Souza SANTOS and Andre Massahiro SHIMAOKA and Mael HEIBLIG and Antonio Carlos da Silva JUNIOR and José Márcio DUARTE and Ibrahim Ethem PINAR and Narmin JAFARLI and Fahir OZKALEMKAS and Volkan KARAKUS and Batuhan BUYUKYILMAZ and Renata Ribeiro QUEIROZ and Nathalia Helbig DIAS and Luísa Russo SOARES and Benjamin CHIN-YEE and Cyrus HSIA and Fernanda Aline Moreira Oliveira MEUCCI and Vitor de Carvalho QUEIROZ and Inara Lúcia ARCE and Camilla Correia CAMPOS and André Dias AMÉRICO and Marie DETRAIT and Maria Luíza DOURADO and Maria Cristina SEIWALD and Ana Rita Brito Medeiros FONSECA and Lucas Amadeus Porpino SALES and Luciana Tomanik Cardozo de Mello TUCUNDUVA and Erick XAVIER and Vinicius Campos MOLLA and Lisandra Bezerra GOMES and Adriana PENNA and Ana Cristina CARDINALLI and Yana NOVIS and Nelson HAMERSCHLAK and Celso ARRAIS-RODRIGUES and Pierre SUJOBERT and Fábio Rodrigues KERBAUY and Paulo Bandieira PAIVA and Alex Freire SANDES},
  journal = {Hematology, Transfusion and Cell Therapy},
  year = {2026},
  month = oct,
  doi = {10.1016/j.htct.2026.107575},
  url = {https://doi.org/10.1016/j.htct.2026.107575},
  note = {CC BY},
}

TY  - JOUR
TI  - CONTEXTUALIZAÇÃO DO SISTEMA DE SAÚDE MELHORA A TRANSPORTABILIDADE DE MODELOS DE
AU  - Pedro Santos PEREZ
AU  - Vincent ALCAZER
AU  - Fabio Pires Souza SANTOS
AU  - Andre Massahiro SHIMAOKA
AU  - Mael HEIBLIG
AU  - Antonio Carlos da Silva JUNIOR
AU  - José Márcio DUARTE
AU  - Ibrahim Ethem PINAR
AU  - Narmin JAFARLI
AU  - Fahir OZKALEMKAS
AU  - Volkan KARAKUS
AU  - Batuhan BUYUKYILMAZ
AU  - Renata Ribeiro QUEIROZ
AU  - Nathalia Helbig DIAS
AU  - Luísa Russo SOARES
AU  - Benjamin CHIN-YEE
AU  - Cyrus HSIA
AU  - Fernanda Aline Moreira Oliveira MEUCCI
AU  - Vitor de Carvalho QUEIROZ
AU  - Inara Lúcia ARCE
AU  - Camilla Correia CAMPOS
AU  - André Dias AMÉRICO
AU  - Marie DETRAIT
AU  - Maria Luíza DOURADO
AU  - Maria Cristina SEIWALD
AU  - Ana Rita Brito Medeiros FONSECA
AU  - Lucas Amadeus Porpino SALES
AU  - Luciana Tomanik Cardozo de Mello TUCUNDUVA
AU  - Erick XAVIER
AU  - Vinicius Campos MOLLA
AU  - Lisandra Bezerra GOMES
AU  - Adriana PENNA
AU  - Ana Cristina CARDINALLI
AU  - Yana NOVIS
AU  - Nelson HAMERSCHLAK
AU  - Celso ARRAIS-RODRIGUES
AU  - Pierre SUJOBERT
AU  - Fábio Rodrigues KERBAUY
AU  - Paulo Bandieira PAIVA
AU  - Alex Freire SANDES
PY  - 2026
DA  - 2026/10/23
JO  - Hematology, Transfusion and Cell Therapy
DO  - 10.1016/j.htct.2026.107575
UR  - https://doi.org/10.1016/j.htct.2026.107575
AB  - Introdução: Modelos de machine learning frequentemente perdem desempenho quando validados externamente entre diferentes sistemas de saúde, limitando sua implementação clínica. Ainda é incerto se isso reflete limitações intrínsecas da transportabilidade dos modelos ou diferenças no valor prognóstico das variáveis analisadas. Investigamos essa questão utilizando variáveis clínicas e hemograma do diagnóstico para predizer mortalidade precoce após indução intensiva de LMA recém diagnosticada, avaliando também se a incorporação do contexto do sistema de saúde melhora a transportabilidade em diferentes contexto. Métodos: Reunimos uma coorte internacional de 1.293 adultos com LMA recém-diagnosticada induzidos com 3+7 entre 2014 e 2026 em 15 instituições do Brasil, França, Bélgica, Canadá e Turquia. O desfecho primário foi mortalidade em 30 dias após a indução. Os dados foram coletados retrospectivamente com definições de controle de qualidade padronizadas. Hemograma ao diagnóstico, idade e Índice de Comorbidade de Charlson (CCI) foram utilizados para desenvolver e comparar 8 algoritmos supervisionados: XGBoost, Random Forest, CatBoost, LightGBM, regressão logística, SVM e Naive Bayes. O desenvolvimento inicial utilizou Synthetic Minority Over-sampling Technique (SMOTE) e grid search. O melhor modelo foi submetido à validação interna-externa leave-one-center-out (LOCO) sem SMOTE. Após caracterização da heterogeneidade interinstitucional, uma análise secundária excluiu centros com <5 óbitos precoces ou com baixa disponibilidade de dados, resultando em uma coorte refinada de 371 pacientes de 4 instituições. O modelo foi reavaliado antes e após a incorporação da mortalidade basal em 30 dias por centro, estimada apenas no conjunto de treinamento para evitar data leakage. O desempenho foi avaliado em cada etapa, e a heterogeneidade explorada por árvores de decisão, SHapley Additive exPlanations (SHAP) e PCA. Resultados: Entre os 8 modelos com SMOTE, o XGBoost apresentou a maior discriminação (AUROC 0,823) e foi selecionado para validação LOCO. A coorte internacional incluiu 1.293 pacientes e 107 óbitos precoces. Na validação LOCO sem SMOTE, o desempenho caiu para AUROC 0,606 ± 0,034 (sensibilidade 35,6%; especificidade 74,5%), confirmando limitada transportabilidade entre sistemas de saúde com análises exploratórias demonstrando importante heterogeneidade interinstitucional. A coorte refinada incluiu 371 pacientes (22 óbitos precoces) de instituições do Brasil, Canadá e Turquia. Nessa coorte, o modelo não contextualizado atingiu AUROC 0,680. Finalmente, a incorporação da mortalidade basal em 30 dias por centro elevou a discriminação para AUROC 0,709 ± 0,042 e AUPRC 0,436, com sensibilidade de 72,7% e especificidade de 67,3%. A análise por SHAP confirmou que o modelo integrou simultaneamente contexto institucional e preditores individuais, destacando VCM, hemoglobina, idade, percentual de blastos, linfócitos, plaquetas, CHCM e CCI entre as variáveis mais relevantes. Conclusões: A validação LOCO demonstrou que a transportabilidade de modelos de machine learning baseados em dados clínicos e hemograma depende não apenas das variáveis clínico-laboratoriais de rotina, mas também do contexto do sistema de saúde. A incorporação da mortalidade basal institucional em 30 dias melhorou a transportabilidade sem sobreamostragem sintética, representando uma estratégia simples, escalável e baseada em dados clínicos de rotina e baixo custo.
SN  - 2531-1379
SN  - 2531-1387
ER  -