SIMULAÇÃO DE TRIAGEM INTELIGENTE PARA PRIORIZAÇÃO DE qPCR NA DETECÇÃO DE HTLV EM BANCO DE SANGUE UTILIZANDO REDES NEURAIS ARTIFICIAIS
- 1Fundação Centro de Hemoterapia e Hematologia do Pará (Hemopa), Belém, PA, Brasil
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.
Related
- DESENVOLVIMENTO DE UMA FERRAMENTA DE GESTÃO BASEADA NA MATRIZ GUT PARA APOIO À TOMADA DE DECISÃO NA PRIORIZAÇÃO DO ATENDIMENTO TRANSFUSIONAL FRENTE À ESCASSEZ DE HEMOCOMPONENTES
- SIMULAÇÃO DE CASOS CLÍNICOS COMO FERRAMENTA DE APRENDIZADO ATIVO EM HEMOTERAPIA: RELATO DE EXPERIÊNCIA DE MONITORIA ACADÊMICA
- EMICI-ADERE: SISTEMA INTELIGENTE E EXPLICÁVEL DE APOIO À DECISÃO CLÍNICA PARA PREDIÇÃO DO RISCO DA NÃO ADESÃO AO EMICIZUMABE NAS PESSOAS COM HEMOFILIA A
- TRANSPLANTE ALOGÊNICO EM INCOMPATIBILIDADE ABO MAIOR UTILIZANDO PROTOCOLO DE DESSENSIBILIZAÇÃO GUIADO POR TÍTULOS DE ISOAGLUTININAS: ESTRATÉGIA INSTITUCIONAL EM UM CENTRO DO SUL DO BRASIL
- VALIDAÇÃO DO PROCESSO DE CONGELAMENTO DO PLASMA UTILIZANDO O ULTRA FREEZER THERMO SCIENTIFIC NO HEMOCENTRO REGIONAL CARUARU-PE
BibTeX
@article{oliveira2026simulação,
title = {{SIMULAÇÃO DE TRIAGEM INTELIGENTE PARA PRIORIZAÇÃO DE qPCR NA DETECÇÃO DE HTLV EM BANCO DE SANGUE UTILIZANDO REDES NEURAIS ARTIFICIAIS}},
author = {Rafael Corumbá DE OLIVEIRA and Núbia Caroline Costa DE ALMEIDA and Katarine Antonia dos Santos BARILE and Daniel Pinto DOS SANTOS and Nathália Araújo DA SILVA and Larissa Tatiana Valente Martins FRANCÊS and Renata Bezerra Hermes DE CASTRO and Suzy Danielle Barbosa PACHECO and Evelyn Andremina dos Passos RAMOS and Letícia Nóbrega GUIMARÃES and Regiane Siqueira DE VILHENA and Carlos Eduardo de Melo AMARAL},
journal = {Hematology, Transfusion and Cell Therapy},
year = {2026},
month = oct,
doi = {10.1016/j.htct.2026.106763},
url = {https://doi.org/10.1016/j.htct.2026.106763},
note = {CC BY},
}
RIS
TY - JOUR
TI - SIMULAÇÃO DE TRIAGEM INTELIGENTE PARA PRIORIZAÇÃO DE qPCR NA DETECÇÃO DE HTLV EM BANCO DE SANGUE UTILIZANDO REDES NEURAIS ARTIFICIAIS
AU - Rafael Corumbá DE OLIVEIRA
AU - Núbia Caroline Costa DE ALMEIDA
AU - Katarine Antonia dos Santos BARILE
AU - Daniel Pinto DOS SANTOS
AU - Nathália Araújo DA SILVA
AU - Larissa Tatiana Valente Martins FRANCÊS
AU - Renata Bezerra Hermes DE CASTRO
AU - Suzy Danielle Barbosa PACHECO
AU - Evelyn Andremina dos Passos RAMOS
AU - Letícia Nóbrega GUIMARÃES
AU - Regiane Siqueira DE VILHENA
AU - Carlos Eduardo de Melo AMARAL
PY - 2026
DA - 2026/10/23
JO - Hematology, Transfusion and Cell Therapy
DO - 10.1016/j.htct.2026.106763
UR - https://doi.org/10.1016/j.htct.2026.106763
AB - 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.
SN - 2531-1379
SN - 2531-1387
ER -