• Informações do Trabalho

Titulo Desempenho e consistência entre grupos raciais em modelos de aprendizado de máquina para o desfecho pós-transplante de células-tronco hematopoiéticas Subtítulo Autor RAFAEL DE OLIVEIRA VARGAS Orientador LUCIANA CONCEICAO DIAS CAMPOS Resumo Este trabalho compara modelos de aprendizado de máquina para a classificação do indicador de sobrevivência livre de eventos (EFS) em dados sintéticos de pacientes após o Transplante de Células-Tronco Hematopoiéticas (TCTH), oriundos da competição Equity in Post-HCT Survival Predictions, promovida pelo CIBMTR, avaliando tanto o desempenho global quanto a consistência da capacidade discriminativa entre grupos raciais. O objetivo central foi comparar o desempenho e a equidade de diferentes modelos de aprendizado de máquina, investigando se a superioridade preditiva de determinados métodos se mantém quando analisados possíveis vieses, especialmente relacionados a grupos raciais. Para isso, foram comparados modelos de diferentes naturezas, incluindo algoritmos baseados em árvores, como XGBoost e Random Forest, técnicas de ensemble, como o Stacking Ensemble, e uma rede neural recorrente do tipo LSTM. A avaliação considerou métricas de desempenho global, como AUC-ROC, acurácia e precisão, além de métricas específicas de equidade, com destaque para o índice de concordância estratificado. Os resultados indicam que, no conjunto de teste analisado, XGBoost e Stacking Ensemble apresentaram os maiores valores numéricos nas métricas globais e de concordância. A configuração LSTM avaliada apresentou resultados inferiores e maior amplitude de C-index entre os grupos raciais. Como não foram estimados intervalos de confiança nem realizadas comparações inferenciais, as diferenças entre os modelos devem ser interpretadas de forma descritiva. Entretanto, esses resultados já indicam que determinadas abordagens podem contribuir para a construção de modelos mais equitativos. Conclui-se que os resultados mostram que a ordenação dos modelos pode variar conforme a métrica utilizada e reforçam a importância de reportar o desempenho por subgrupos. Entretanto, por se tratar de uma análise de uma base sintética, sem validação externa e com avaliação de equidade restrita à variação do C-index, os achados não devem ser interpretados como evidência de equidade clínica ou de aplicabilidade direta à tomada de decisão, mas sim como uma contribuição para futuros estudos sobre a avaliação de modelos de suporte à decisão clínica. Palavras-Chave Predição, Transplante de Células Tronco Hematopoiéticas, Machine Learning, Equidade.