SIMULAÇÃO DE TRIAGEM INTELIGENTE PARA PRIORIZAÇÃO DE qPCR NA DETECÇÃO DE HTLV EM BANCO DE SANGUE UTILIZANDO REDES NEURAIS ARTIFICIAIS
Year: 2026
Type: article
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.
Authors: Rafael Corumbá DE OLIVEIRA, Núbia Caroline Costa DE ALMEIDA, Katarine Antonia dos Santos BARILE, Daniel Pinto DOS SANTOS, Nathália Araújo DA SILVA, Larissa Tatiana Valente Martins FRANCÊS, Renata Bezerra Hermes DE CASTRO, Suzy Danielle Barbosa PACHECO, Evelyn Andremina dos Passos RAMOS, Letícia Nóbrega GUIMARÃES, Regiane Siqueira DE VILHENA, Carlos Eduardo de Melo AMARAL
Institution: Fundação Hemopa
Language: English
Subfield: Health Information Management
Field: Health Professions
Domain: Health Sciences
Open Access status: diamond
OpenAlex ID: W7223090316