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

@article{ferreira2026prevendo,
  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}},
  author = {Anna Beatriz Fusco de Souza FERREIRA and Vinicius Navega STELET and Letícia Martins RAPOSO},
  journal = {Hematology, Transfusion and Cell Therapy},
  year = {2026},
  month = oct,
  doi = {10.1016/j.htct.2026.106901},
  url = {https://doi.org/10.1016/j.htct.2026.106901},
  note = {CC BY},
}

TY  - JOUR
TI  - 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
AU  - Anna Beatriz Fusco de Souza FERREIRA
AU  - Vinicius Navega STELET
AU  - Letícia Martins RAPOSO
PY  - 2026
DA  - 2026/10/23
JO  - Hematology, Transfusion and Cell Therapy
DO  - 10.1016/j.htct.2026.106901
UR  - https://doi.org/10.1016/j.htct.2026.106901
AB  - 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.
SN  - 2531-1379
SN  - 2531-1387
ER  -