Artigo de revisão

Abordagens de Aprendizado de Máquina para Avaliação Precisa de Riscos de Reações Adversas a Transfusão: Uma Revisão Baseada em Scikit

DOI:

10.3791/69658

⸱

20 de janeiro de 2026

 ,  , 
1Department of Transfusion, The Affiliated Hospital of Southwest Medical University, 2Department of Transfusion, Dazhou Central Hospital

* These authors contributed equally

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Esta revisão examina o potencial da biblioteca de aprendizado de máquina scikit-learn para prever reações adversas a transfusões. Ele descreve uma estrutura orientada por dados para melhorar a avaliação de riscos, abordar limitações das abordagens convencionais e apoiar o desenvolvimento da medicina de transfusão de precisão.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reações adversas à transfusão (TARs) abrangem efeitos indesejáveis que ocorrem durante ou após a transfusão de sangue, resultantes da administração de sangue, produtos sanguíneos ou materiais associados à transfusão. Essas reações podem causar manifestações clínicas leves a graves, incluindo reações alérgicas, hemólise e lesão pulmonar aguda relacionada a transfusão (TRALI). As abordagens convencionais atuais — como a correspondência de grupos sanguíneos ABO/Rh e protocolos de transfusão massiva — podem melhorar os resultados dos pacientes, mas não abordam fatores complexos específicos do paciente. Consequentemente, desenvolver um modelo dedicado de risco TAR é essencial. Algoritmos de aprendizado de máquina (ML) podem aproveitar conjuntos de dados clínicos e laboratoriais em grande escala para construir modelos diagnósticos e prognósticos, avançando a medicina personalizada e de precisão. Notavelmente, o algoritmo de ML scikit-learn (SK-learn) ainda não foi aplicado diretamente à avaliação de risco TAR; No entanto, sua eficácia na construção de modelos médicos semelhantes de previsão de risco ganhou reconhecimento significativo. Esta revisão apresenta uma estrutura baseada em ML para prever e prevenir a TAR, com ênfase específica no papel do SK-learn em diversos contextos clínicos. Nossa análise estabelece as bases para o diagnóstico de precisão futuro da TAR e o desenvolvimento de algoritmos SK-learn. Crucialmente, nossa síntese da literatura indica que o sklearn oferece um conjunto de ferramentas versátil e poderoso para essa tarefa; No entanto, sua tradução bem-sucedida para a prática clínica depende da superação de desafios-chave, incluindo a heterogeneidade dos dados multicêntricos e a necessidade de uma interpretabilidade robusta do modelo.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

A transfusão de sangue é uma intervenção que salva vidas e utilizada em diversos contextos clínicos, incluindo atendimento a traumas, procedimentos cirúrgicos, emergências obstétricas, tratamentos oncológicos e o manejo de distúrbios hematológicoscrônicos 1,2. Apesar dos benefícios terapêuticos significativos, as transfusões podem causar diversos eventos adversos, coletivamente denominados Reações Adversas a Transfusão (TARs)3,4. A RAT representa uma condição multifatorial com manifestações que vão desde reações alérgicas leves até complicações graves. As reações mais frequentes incluem reações febris por transfusão não hemolítica (FNHTRs) e reações alérgicas, com incidências relatadas de aproximadamente 26 e 21 por 100.000 unidades transfundidas, respectivamente 5,6. Enquanto o reconhecimento de grupos sanguíneos ABO/Rh e procedimentos padronizados de transfusão podem reduzir significativamente o risco de TAR, aumentando assim a segurançado paciente 7,8,9. Eles não podem prevenir totalmente esses eventos, especialmente aqueles com etiologias complexas ou mediadas pelo sistema imunológico.

As evidências sugerem que a aprendizagem automática, um subcampo da inteligência artificial (IA), facilita a integração de dados complexos e multimodais. Essa capacidade aprimora a tomada de decisões clínicas, facilita o tratamento personalizado e otimiza os serviços médicos, melhorando os resultados dos pacientes10,11. Introduzido em 2007, o SK-learn é uma biblioteca de aprendizado de máquina em Python de código aberto. Suas funcionalidades principais incluem análise de regressão implementada por algoritmos de ML, juntamente com classificação, agrupamento, redução de dimensionalidade, seleção de modelos e capacidadesde pré-processamento 12. Em aplicações médicas, o SK-learn é empregado principalmente para predivisão de doenças, classificação diagnóstica e estratificação de riscoclínico 13,14. Por exemplo, um estudo utilizou a biblioteca SK-learn para construir um modelo preditivo que diferenciava efetivamente entre nefropatia diabética e nefropatia não diabética, auxiliando assim no diagnóstico clínico e notratamento 15. Aproveitando as vantagens do algoritmo sklearn, sua eficácia na construção de modelos de predição de risco de reação adversa pós-transfusão (TAR) ganhou reconhecimento significativo16,17.

Esta revisão sintetiza os avanços atuais nos algoritmos de aprendizado de máquina SK-learn e delimita suas aplicações translacionais em diversos contextos de doenças. Além disso, também estabelece uma estrutura para a futura implementação clínica do SK-learn no diagnóstico de TAR estratificado por risco e modelagem preditiva.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Revisão e perspetiva

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Visão geral da TAR
Patogênese da RAT
A RAT abrange um espectro diversificado de manifestações clínicas e mecanismos fisiopatológicos (Tabela I). Essas reações são principalmente categorizadas em subtipos imunológico mediado e não imunemediado 7,9,18,19. Reações imunológicas mediadas normalmente envolvem interações antígeno-anticorpo, levando a hemólise ou respostas inflamatórias sistêmicas. Um exemplo representativo é a incompatibilidade ABO, que pode desencadear reações agudas de transfusão hemolítica (AHTRs). Essa condição se manifesta como febre, dor no flanco, hipertensão, coagulação intravascular disseminada (CID) e insuficiência renalaguda 7,9,20. Além disso, reações de hipersensibilidade tipo I podem desencadear transfusões alérgicas, com manifestações clínicas que vão desde urticária leve até anafilaxia potencialmente fatal. Notavelmente, essas reações estão frequentemente associadas a produtos plaquetários devido à presença de proteínas plasmáticas residuais doadoras, incluindo moléculas alérgicassubpolínicas 18,21,22,23. O TRALI é clinicamente definido pelo início agudo de hipoxemia e edema pulmonar não cardiogênico dentro de 6 horas após a transfusão. A patogênese envolve principalmente anticorpos derivados de doadores contra antígenos leucócitos humanos (HLAs) ou antígenos específicos degranulócitos 21,22,24. Notavelmente, certos antígenos do grupo sanguíneo, como os antígenos do sistema Kidd, podem desencadear reações hemolíticas, também conhecidas como DHTRs, quando direcionados por anticorpos anti-HLA derivados de doadores. Separadamente, o TRALI, que é um tipo de lesão pulmonar aguda relacionada à transfusão, representa uma entidade patológica distinta mediada por anticorpos anti-HLA do doador por meio de mecanismos de ativação dosneutrófilos 6,22. Reações transfusivas não imunizadas abrangem várias entidades clínicas, incluindo reações sépticas devido a contaminação bacteriana, sobrecarga de volume, hemólise mecânica ou térmica e sobrecarga circulatória associada à transfusão (TACO)9,23. Reações de transfusão séptica resultam da infusão de sangues contaminados com bactérias, sendo mais comumente Staphylococcus spp., Staphylococcus aureus e Escherichia coli em plaquetas, e Yersinia enterocolitica em glóbulos vermelhos. Clinicamente, apresentam febre alta, rigidez, hipotensão e podem evoluir rapidamente para choque. Notavelmente, com a implementação do rastreamento de patógenos altamente sensíveis, o risco de infecções clássicas transmitidas por transfusão (TTIs, por exemplo, HIV, VHC) foi drasticamente reduzido. Consequentemente, reações sépticas, especialmente de transfusões de plaquetas armazenadas em temperatura ambiente, são agora uma complicação infecciosa mais frequentemente relatada da transfusão do que as TTIs. Infecções transmissíveis por transfusão, que podem ser causadas por diversos patógenos, como vírus, bactérias e parasitas, podem desencadear a TAR ao ativar o sistema imunológico inato. Revisões sistemáticas recentes destacam que a triagem abrangente de patógenos imunogênicos continua sendo o principal desafio na prevenção da TARrelacionada à infecção (TAR 25,26,27,28 (Tabela 1).

Epidemiologia da RAT
Em países desenvolvidos, a incidência geral de TAR permanece relativamente baixa. Dados atuais de vigilância indicam que reações alérgicas e transfusões não hemolíticas febris (FNHTRs) estão entre os eventos adversos mais frequentemente relatados, sendo as reações alérgicas agora mais comuns do que as FNHTRs em muitos sistemas de relatório. Reações tardias por transfusão sorologica (DSTRs) são menos frequentementerelatadas 5,9,29. No entanto, a RAT continua a apresentar desafios clínicos substanciais em países em desenvolvimento e populações específicas, com esse perfil de risco elevado decorrente de determinantes multifatoriais, incluindo variações nos protocolos padronizados de triagem, procedimentos subótimos de manuseio de produtos sanguíneos, práticas heterogêneas de transfusão e predisposições genéticas específicas dapopulação 26,27. Pacientes com doença falciforme são particularmente suscetíveis a reações hemolíticas transfusíveis e aloimunização. Esse risco elevado é atribuído à inflamação crônica, diferenças fenotípicas nos antígenos de glóbulos vermelhos entre populações predominantemente doadoras caucasianas e pacientes com DSC de descendência africana, e a uma alta exposição vitalícia a transfusões, em vez da presença de hemoglobina falciformeem si. Notavelmente, dados recentes de vigilância de grandes centros médicos chineses revelaram uma incidência maior de TAR alérgica em populações pediátricas e neonatais do que em adultos, o que se deve a limiares de transfusão e práticas clínicas distintas. Por outro lado, coortes europeias demonstram um padrão epidemiológico oposto nessas faixasetárias 19, 31, 32. Por exemplo, Guo, K. et al. 19 relataram que crianças em um grande centro nacional chinês apresentavam reações alérgicas com mais frequência do que adultos, enquanto em neonatos, os limiares e práticas de transfusão variam significativamente naEuropa 33.

Os ensaios clínicos atuais que desenvolvem modelos de avaliação de risco TAR empregam três abordagens estratégicas centrais, abrangendo medidas preventivas estratificadas por risco, sistemas contínuos de monitoramento em tempo real e protocolos de manejo personalizados para populações de alto risco. Esses modelos de risco demonstram um sistema de classificação bimodal, compreendendo tanto ferramentas abrangentes de triagem com aplicabilidade universal para receptores de transfusões quanto algoritmos preditivos especializados projetados para identificar subtipos específicos de reaçõesadversas 34,35. Ferramentas generalizadas de avaliação de risco, exemplificadas pelo sistema UK Serious Hazards of Transfusion (SHOT), utilizam conjuntos de dados em nível populacional para estratificar os receptores de transfusão. Esses sistemas demonstram eficácia particular na identificação de coortes de alto risco, incluindo pacientes com histórico de transfusões múltiplas ou distúrbiosautoimunes 36. A metodologia convencional de pontuação de Risco de Transfusão e Conhecimento Clínico (TRACK) emprega métricas de desempenho estáticas com valores de corte pré-determinados para quantificar o desempenho do modelo dentro dos limites de decisão predefinidos. Essa abordagem caracteriza a capacidade preditiva de um modelo sob parâmetros operacionaisrestritos 37. Avanços recentes renderam novas ferramentas de estratificação de risco para a previsão de transfusões. O sistema SCORE, recém-desenvolvido, incorpora seis fatores preditivos clinicamente validados para estimar a probabilidade de transfusão. Análises comparativas demonstram que esse modelo simplificado alcança precisão preditiva e desempenho de calibração comparáveis ao escore convencional do TRACK ao prever os requisitos de transfusão em procedimentos cirúrgicoscardíacos 38.

Além dos modelos de reação específicos, muitos modelos in vivo foram recentementeestudados 39. TRALI é uma complicação clinicamente significativa cujo perfil de risco é determinado pela interação de anticorpos anti-antígeno leucócito/neutrófilo humano derivados de doador (anti-HLA/HNA), biomarcadores inflamatórios elevados do receptor, incluindo interleucina-6, e o volume de transfusãoadministrado 34,39,40. O risco de sobrecarga circulatória associada à transfusão (TACO) é frequentemente avaliado usando sistemas clínicos de pontuação que incorporam parâmetros como níveis elevados de peptídeo natriurético do tipo B (BNP ou NT-proBNP), histórico de disfunção cardíaca, alta taxa de transfusão e balanço líquido positivo. O risco de hemólise imunomediada é avaliado preventivamente por meio do teste indireto de antiglobulinas (teste indireto de Coombs), que detecta aloanticorpos clinicamente significativos no plasma do receptor. Identificar esses anticorpos permite a seleção de unidades sanguíneas antigênias negativas para transfusão, prevenindo assim as reações antígeno-anticorpo que, de outra forma, causariam hemólise. O histórico transfusivo do paciente também é fundamental para identificar sensibilização prévia e risco de reações hemolíticas. Esses modelos mecanicistas integram parâmetros clínicos e laboratoriais multidimensionais para aumentar a precisão da previsão de reaçõesadversas 34,39,41. Além disso, protocolos de transfusão massiva (MTPs) foram criados para reduzir a mortalidade relacionada ao choque hemorrágico em pacientes com trauma ou cirurgia com hemorragia severa, padronizando a razão de glóbulos vermelhos, plasma eplaquetas 42,43. No entanto, essas práticas reduziram a morbidade relacionada à transfusão e não capturam totalmente a complexa interação entre variáveis imunológicas e não imunológicas que definem a segurança transfusiva. Muitos sistemas e protocolos de pontuação existentes foram validados sob condições controladas ou coortes de pacientes mais restritas, tornando-os subótimos em ambientes reais eheterogêneos 16,44,45,46. Perfis de patógenos em evolução, mudanças nas populações de doadores e a complexidade do cuidado médico moderno desafiam ainda mais as abordagensestáticas 25,26,47. Esse contexto tem estimulado um interesse crescente na aplicação do aprendizado de máquina para refinar a avaliação de risco transfusivo, combinando dados clínicos, descobertas laboratoriais e campos emergentes como multiômica para criar modelos preditivos mais poderosos (Figura 1)48,49,50.

Construção atual de modelos de avaliação clínica de risco via aprendizado de máquina
O aprendizado de máquina (ML), como paradigma fundamental de inteligência artificial, possibilita a tomada de decisão adaptativa por meio da descoberta automatizada de padrões de dados latentes e da geração indutiva de modelos preditivos, contornando assim a programação procedural explícita e possibilitando o refinamento contínuo do desempenho em domínios complexos e em evolução, incluindo diagnóstico médico e previsão51. A evolução do aprendizado de máquina passou por três fases distintas: (1) a era fundamental, que estabeleceu a base teórica52; (2) o renascimento algorítmico, marcado por avanços significativos em máquinas de vetores de suporte e métodosde conjunto 53; e (3) a revolução do aprendizado profundo, onde redes neurais convolucionais e recorrentes, impulsionadas pela aceleração de GPUs e big data, provocaram mudanças transformadoras de paradigma em múltiplos campos54. Em aplicações médicas, eles revolucionaram o diagnóstico de imagem médica e a detecção debiomarcadores 55.

Os sistemas atuais de aprendizado de máquina são categorizados em três paradigmas centrais baseados em seus mecanismos de aprendizado: (1) aprendizado supervisionado, que depende de conjuntos de treinamento rotulados para modelagem preditiva; (2) aprendizagem não supervisionada, que revela estruturas latentes a partir de dados não anotados; e (3) deep learning, que utiliza arquiteturas neurais hierárquicas para abstração automatizada de características. Juntos, esses paradigmas constituem as metodologias fundamentais que sustentam as aplicações contemporâneas de IA.

Nos últimos anos, o ML ganhou ampla aplicação no desenvolvimento de marcadores diagnósticos médicos, avaliação de prognóstico e construção de modelosde risco 57,58. Os dados médicos frequentemente apresentam alta dimensionalidade, o que representa desafios significativos para uma análise eficaz por métodos tradicionais14,59. As técnicas de ML são excelentes na extração de características críticas de conjuntos de dados tão complexos, facilitando assim a identificação de características cruciais. A aplicação do ML na medicina transfusional está surgindo rapidamente. Por exemplo, modelos de ML demonstraram desempenho superior em tarefas como classificação médica de imagens e análise patológica, levando a melhorias substanciais na precisão do diagnóstico precoce e na estratificação doprognóstico 60,61. Ao aproveitar dados específicos do paciente, como perfis genômicos e metabolômicos, a ML pode prever respostas personalizadas ao tratamento, avançando o campo da medicinade precisão 62. Além de prever a necessidade de transfusão, a ML também está sendo aplicada para otimizar o manejo de produtos sanguíneos. Estudos têm utilizado o ML para tarefas como previsão do uso de plaquetas e personalização dos cronogramas pré-operatórios de pedidos de sangue, demonstrando potencial para melhorar a gestão de estoques e reduzir o desperdício.

Além disso, a ML permite a integração de dados multifonte, incluindo imagens, genômica e prontuários eletrônicos de saúde (EHRs), para construir modelos preditivosabrangentes 63. Além disso, o ML suporta alertas de risco em tempo real, como a previsão de sepse para pacientes da UTI, e automatiza fluxos de trabalho diagnósticos, aliviando assim a carga de trabalho dos profissionaisde saúde 64. O ML avançou significativamente a precisão dos modelos de prognóstico do câncer e do desenvolvimento de alvos ao integrar dados multiômicos, minerar padrões complexos e acelerar o design de medicamentos. Além disso, o aprendizado de máquina aprimora a precisão diagnóstica ao identificar padrões conhecidos e desconhecidos indicativos de presença ou ausência de câncer65. Um estudo simulado demonstrou que radiologistas podiam pular casos negativos previstos, reduzindo sua carga de trabalho para apenas 80,7% das mamografias, mantendo a sensibilidade e especificidade geral. Foi demonstrado que modelos CNN podem ser usados para segmentar tecidos funcionais a partir de imagens de ultrassom mamário, auxiliando assim os clínicos na interpretação e diagnóstico dessasimagens 66. O prognóstico e a seleção do tratamento dependem fortemente das características tumorais, muitas das quais podem ser previstas por meio de modelos de ML baseados em imagem. Alguns pesquisadores aplicaram CNNs 3D para prever o status de mutação do EGFR em adenocarcinoma pulmonar a partir de regiões de interesse (ROIs) manualmente selecionadas em tomografias, oferecendo uma alternativa não invasiva para a genotipagem do câncer e informando estratégias terapêuticaspotenciais 67. Tecnologias genômicas emergentes, como transcriptômica de célula única e transcriptômica espacial, têm grande potencial para revolucionar a caracterização histopatológica de tumores sólidos. Especificamente, a transcriptômica de célula única permite uma análise detalhada da composição celular, possibilitando que modelos de ML prevejam respostas ao tratamento do câncer e potenciais mecanismos de resistênciaa medicamentos 68.

O aprendizado profundo (DL), como subcampo da ML, utiliza algoritmos de redes neurais multicamadas inspirados na arquitetura neural do cérebro para modelagem preditiva69. Em contraste com métodos de ML, como a regressão logística, que aproveitam sua arquitetura de redes neurais, a DL permite que modelos escalem exponencialmente com o aumento do volume e da dimensionalidade dos dados69. A DL tem sido amplamente aplicada em aplicações médicas. Nos últimos anos, técnicas emergentes de aprendizado profundo foram amplamente adotadas para diagnóstico de câncer, prognóstico e identificação de regimes terapêuticos. Diversas arquiteturas de redes neurais, incluindo perceptrons multicamadas (MLPs), redes neurais recorrentes (RNNs) e redes neurais convolucionais (CNNs), servem como componentes fundamentais para metodologias avançadas69. Estudos introduziram um modelo CNN capaz de prever o risco de câncer não apenas no nível da imagem, mas também no nível dos pixels, fornecendo mapas de calor que destacam regiões mais propensas a desenvolver malignidades70. A integração de CNNs profundas em sistemas de classificação do câncer baseados em histologia tem se mostrado bem-sucedida, com estudos indicando que esses modelos podem alcançar desempenho comparável ao dos patologistas humanos na classificação de cânceres de próstata, mama, cólon e linfoma71,72,73,74,75. Pesquisadores demonstraram que segmentar tecidos cancerígenos com um gerador baseado em CNN pode ajudar um classificador baseado em CNN a prever o grau do câncer de próstata76. Alguns pesquisadores utilizaram um modelo híbrido de rede neural convolucional de grafos (GCNN) para mapear perfis de expressão gênica na rede de interação proteína-proteína STRING (PPI), permitindo a previsão de subtipos moleculares de câncer de mama69,77. O aprendizado de máquina também demonstrou aplicabilidade significativa em doenças não cancerígenas, especialmente em modelagem diagnóstica. Por exemplo, estudos realizaram treinamentos externos e prospectivos e validação de modelos de aprendizado de máquina para prever mortalidade e eventos críticos entre pacientes com COVID-19 em vários períodos. Esses modelos identificaram com sucesso pacientes de alto risco e elucidaram as relações subjacentes que contribuíram para os desfechos preditivos78. Modelos radiômicos tradicionais dependem predominantemente de características manualmente engenheiradas derivadas explicitamente de imagens médicas. Pesquisadores exploraram se características profundas extraídas por meio de aprendizado por transferência poderiam ser utilizadas para gerar assinaturas radiômicas para prever a sobrevivência geral (SO) de pacientes com glioblastoma multiforme (GBM)79. Nos últimos anos, a aprendizagem automática demonstrou avanços significativos em microbiologia80. Uma aplicação chave nesse domínio envolve permitir que profissionais de saúde diagnostiquem rápida e com precisão os microrganismos responsáveis pelas doenças infecciosas em pacientes, o que é fundamental para determinar estratégias de tratamento adequadas. Modelos de ML podem alcançar diagnósticos precisos quando fornecidos com dados de entrada adequados80. Foi demonstrado que o uso de uma rede neural convolucional pré-treinada (CNN) como extrator de características, combinado com validação cruzada em nível de paciente, pode distinguir efetivamente entre células infectadas por malária e células não infectadas, aprimorando assim os processos de triagem da doença81. Um modelo de aprendizado de máquina baseado em uma coorte de 1.839 isolados bacterianos do Reino Unido foi desenvolvido para classificar os perfis de resistência de Mycobacterium tuberculosis (M. tuberculosis) a oito medicamentos antituberculosos (isoniazida, rifampicina, etambutol, pirazinamida, ciprofloxacina, moxifloxacina, ofloxacina e estreptomicina), incluindo tuberculose multirresistente. Comparado aos métodos anteriores, o modelo de melhor desempenho melhorou a sensibilidade para isoniazida, rifampicina e etambutol em 2-4%, alcançando uma sensibilidade de 97% (P < 0.01). The sensitivity for ciprofloxacin and multidrug-resistant tuberculosis increased to 96%. For moxifloxacin and ofloxacin, the sensitivity increased from 83% and 81%, respectively, based on known resistance alleles, to 95% and 96% (P < 0.01), representing improvements of 12% and 15%, respectively. Notably, compared with rule-based approaches, the model enhanced the sensitivity for pyrazinamide and streptomycin by 15% and 24%, respectively, reaching 84% and 87% (P < 0.01). The top-performing model also increased the area under the ROC curve for pyrazinamide and streptomycin by 10% (P < 0.01) and for other drugs by 4-8% (P < 0.01).

Por exemplo, modelos DL são comumente treinados para analisar imagens mamográficas a fim de prever a probabilidade de um paciente desenvolver câncer nofuturo 82. Além disso, alguns pesquisadores enfatizaram as vantagens desse método direto de predição de risco, indicando que a pontuação de risco de câncer de mama gerada pelo modelo de rede neural convolucional Inception-ResNet-v2 é mais precisa do que a pontuação derivada da avaliação clínica da densidademamária 83. Da mesma forma, alguns pesquisadores desenvolveram um modelo de mamografia baseado em DL que supera o modelo de risco Tyrer-Cuzick, que se baseia em características clínicas como a idade do paciente, para prever o risco de desenvolvimento de câncer de mama em cinco anos entre mulheresde 84 anos.

Além disso, o aprendizado de máquina tem sido aplicado na medicina transfusional. O crescente interesse em aplicar IA à medicina transfusional é reforçado por sua inclusão em grandes fóruns profissionais, como uma conferência dedicada organizada pelo Grupo de Trabalho Clínico de Transfusão da International Society of Blood Transfusion (ISBT), que explora o potencial da IA na prática, educação e pesquisa da MT85. A transfusão de sangue (BT) é um componente crítico do atendimento médico para pacientes cirúrgicos na UTI. Este estudo analisou dados de 9.118 pacientes de UTI cirúrgica no banco de dados da UMC, utilizando aprendizado de máquina para prever as necessidades de transfusão de sangue. Ao comparar o desempenho dos algoritmos XGBoost e regressão logística (LR) usando dados de 6 horas antes da internação na UTI até 1, 2, 3 e 6 horas após a admissão, a pesquisa revelou diferenças significativas nas características dos pacientes entre grupos transfusivos e não transfusivos. Esses achados confirmam a viabilidade do aprendizado de máquina na previsão das necessidades de transfusão de sangue para pacientes deUTI cirúrgica 86. Transfusões alogênicas de sangue são frequentemente necessárias em cirurgias nas articulações do quadril, mas estão associadas a riscos maiores de morbidade. A previsão precisa das necessidades de transfusão é essencial para minimizar o desperdício de produtos sanguíneos e otimizar a tomada de decisão pré-operatória. Estudos recentes estabeleceram 14 algoritmos de aprendizado de máquina para prever riscos de transfusão, incorporando dados demográficos dos pacientes, resultados laboratoriais pré-operatórios e informações cirúrgicas. O desempenho do modelo foi avaliado por meio de discriminação, calibração e análise da curva de decisão. Explicações aditivas SHapley (SHAPs) foram empregadas para interpretar os modelos, com o classificador de crista demonstrando a maior precisão preditiva, alcançando um AUC de 0,85 (IC 95%: 0,81-0,88) e um escore Brier de 0,21. O modelo de aprendizado de máquina deste estudo demonstrou alto desempenho preditivo para necessidades de transfusão perioperatória em cirurgias da articulação do quadril, utilizando variáveis clínicasdisponíveis 87.

Além disso, o aprendizado de máquina foi integrado com sucesso ao design de medicamentos, abordando desafios como tempo e custos computacionais, além de melhorar aconfiabilidade 88,89. Ao aproveitar o ambiente tridimensional de ligação de ligantes das proteínas, o aprendizado de máquina facilita a determinação das estruturas das proteínas alvo, um passo crucial na descoberta defármacos 90. Por exemplo, o AlphaFold, uma ferramenta impulsionada por IA, pode ser treinada diretamente com os dados do Banco de Dados de Proteínas (PDB) e é capaz de prever estruturas 3D de proteínas a partir das sequênciasde aminoácidos 91. O AlphaFold emprega um processo em duas etapas: primeiro, uma CNN converte a sequência de aminoácidos da proteína em matrizes de distância e ângulo de torção; segundo, técnicas de otimização de gradiente transformam essas matrizes na estrutura 3D daproteína 92.

Scikit-learn (sklearn) é uma biblioteca de aprendizado de máquina baseada em Python amplamente reconhecida por sua facilidade de uso, documentação extensa e robusto suportecomunitário 93. Ele fornece uma coleção abrangente de métodos supervisionados, como regressão logística, máquinas de vetores de suporte e florestas aleatórias, bem como métodos não supervisionados, incluindo agrupamento e redução de dimensionalidade93. Também oferece Pipelines que otimizam o pré-processamento de dados, treinamento de modelos, validação cruzada e ajuste de hiperparâmetros em um frameworkunificado 93. Ferramentas para interpretabilidade de modelos, incluindo gráficos de importância de características por permutação e dependência parcial, juntamente com métodos avançados de conjunto como random forest e gradient boosting, exibem consistentemente desempenho preditivo robusto em contextos de saúde45,93.

Dadas essas características, o SK-learn tem sido amplamente utilizado em pesquisa médica para tarefas como diagnósticode doenças 12,94, previsão de sobrevivência vezes95, análise de grandes conjuntos de dados de imagem96 e construção de modelos de predição de risco para usode transfusões 97. Esta seção fornece um exame detalhado dos casos específicos de aplicação e da implementação técnica, além de demonstrar as vantagens do SK-learn na construção de modelos de diagnóstico de doenças e avaliação de risco (Figura 2). Com foco especial no domínio do câncer, onde suas aplicações são mais amplas e maduras, analisamos práticas bem-sucedidas e enfrentamos desafiosexistentes 12, 93, 95, 98. Além disso, exploramos como esses insights podem servir como referências valiosas e inspirações para o desenvolvimento de modelos de previsão de risco TAR.

O SK-learn oferece uma estrutura algorítmica robusta que integra técnicas tradicionais de aprendizado de máquina — incluindo máquinas vetoriais de suporte (SVMs), florestas aleatórias e regressão logística — com abordagens de aprendizado profundo, como o classificador perceptron multilayer (MLP), tornando-o bem adequado para modelar diversos conjuntos de dados de câncer. Por exemplo, no desenvolvimento de um novo sistema histológico para diagnóstico do carcinoma adrenocortical, pesquisadores utilizaram a biblioteca sklearn em Python para construir um modelo matemático multidimensional. Esse modelo alcançou uma precisão diagnóstica geral de 100%, demonstrando ampla aplicabilidade em todas as variantes morfológicas99.

Além disso, as ferramentas SK-learn, GridSearchCV e RandomizedSearchCV possibilitam otimização automatizada de hiperparâmetros. Por exemplo, ao prever a metástase dos linfonodos, os parâmetros de um modelo XGBoost foram ajustados por validação cruzada, resultando em um valor AUC de 0,95212. Por exemplo, a máquina de vetores de suporte (SVM) apresenta desempenho superior em tarefas de classificação do câncer de mama. Sua função kernel não linear permite o processamento eficaz de dados de imagem de alta dimensão. Um estudo analisando dados espectrais de pacientes com câncer bucal revelou que a SVM, quando combinada com eliminação de características recursivas (RFE), alcançou sensibilidade de 95% e especificidade de 96%, superando significativamente a tradicional análise discriminante linear de Fisher (FLD)100. Além disso, uma análise comparativa realizada no conjunto de dados de câncer de mama UCI demonstrou que o SVM superou tanto o agrupamento K-means quanto as redes neurais artificiais em termos de precisão de classificação e capacidadede generalização 101. A capacidade da SVM de lidar com dados de alta dimensão é igualmente relevante para a previsão do TAR, onde os modelos precisam integrar inúmeros parâmetros clínicos e laboratoriais.

O método da floresta aleatória demonstra desempenho superior na análise de importância das características. Alguns pesquisadores utilizaram florestas aleatórias para integrar dados genômicos e clínicos e identificar características-chave relacionadas ao prognóstico do câncer de mama. Os resultados do agrupamento foram significativamente correlacionados com os desfechosclínicos 102. Essa abordagem pode ser transferida diretamente para a modelagem TAR para identificar os fatores de risco mais influentes, como anticorpos específicos de doadores ou marcadores inflamatórios do receptor, a partir de uma ampla variedade de características candidatas.

O XGBoost, como um algoritmo representativo de aumento de gradiente, demonstra desempenho excepcional na previsão de estágios do câncer. Um estudo baseado em dados multiômicos da TCGA indicou que o XGBoost, combinado com características de metilação do DNA, pode potencializar ainda mais o desempenho preditivo do modelode classificação 103. Em outro estudo sobre metástase do câncer de mama, o XGBoost otimizou seus hiperparâmetros por meio do Grid-Search CV e foi combinado com visualização de valores SHAP. Seis genes-chave, como SQSTM1 e GDF9, foram identificados com sucesso. O AUC do modelo atingiu 0,82, fornecendo novos biomarcadores para a previsão de riscode metástase 104. A combinação de métodos de conjunto de alto desempenho, como o XGBoost, com explicação SHAP é um paradigma poderoso que pode ser adotado para modelos TAR, a fim de fornecer aos clínicos avaliações de risco transparentes e acionáveis.

O SK-learn fornece um kit padronizado de pré-processamento de dados que aborda efetivamente a alta dimensionalidade, desequilíbrio e valores ausentes nos dados de câncer. Por exemplo, na previsão do câncer colorretal, um modelo de regressão logística que analisa quatro indicadores centrais, como CEA e hemoglobina, foi utilizado para construir um modelo diagnóstico não invasivo com uma área sob a curva (AUC) de 0,849, superando significativamente a detecção por meio de um único marcadortumoral 105. Em termos de processamento de dados desequilibrados, ao combinar a técnica de sobreamostragem SMOTE da biblioteca de aprendizado desequilibrado, o XGBoost melhorou a sensibilidade da classe minoritária (amostras malignas) em 8,36% na classificação do câncer de mama, e o valor F1 atingiu 96,2%.

A combinação do SK-learn com ferramentas como SHAP e eli5 proporciona uma interpretabilidade transparente para modelos de câncer. Na previsão da metástase dos gânglios linfáticos sentinela no câncer de mama, o modelo XGBoost visualizado por meio dos valores SHAP mostra que características de ultrassom como "linfonodos suspeitos" e "espiculação marginal" têm a maior contribuição para o risco de metástase, o que é altamente consistente com a lógica diagnósticaclínica 12.

O SK-learn demonstrou vantagens substanciais em pesquisas relacionadas a doenças não cancerígenas. Doenças não cancerígenas frequentemente exigem a integração de dados multifonte, incluindo prontuários eletrônicos de saúde (EHR), imagens, genômica, proteômica e outras. SK-learn é capaz de consolidar EHRs dos pacientes, perfis genéticos e informações sobre o estilo de vida para prever o risco de doenças associadas com maior precisão. Por exemplo, um algoritmo de floresta aleatória do SK-learn foi usado para integrar dados do EHR para prever o risco de doenças cardiovasculares. Essa abordagem não só melhorou significativamente a precisão da previsão do risco cardiovascular, mas também aumentou o número de pacientes que poderiam se beneficiar de intervenções preventivas, minimizando tratamentos desnecessários para outros107. Pesquisadores utilizaram a biblioteca de aprendizado de máquina SK-learn do Python para desenvolver e treinar cinco modelos distintos de IA — regressão logística, floresta aleatória, AdaBoost, CATBoost e LightGBM — para prever re-rupturas pós-operatórias do manguito rotador após reparo artroscópico do manguito rotador (ARCR). Os modelos treinados foram posteriormente aplicados a um conjunto de dados de teste para avaliação. Notavelmente, o modelo LightGBM alcançou um AUC de 0,87, demonstrando seu desempenho preditivo superior na estimativa da probabilidade de re-rasgamento após o ARCR108.

Embora o sklearn tenha sido amplamente utilizado no campo da predição médica, atualmente não existe literatura direta sobre sua aplicação na previsão de reações adversas a transfusões. Essa lacuna não indica um defeito técnico, mas destaca os desafios únicos e o potencial não explorado de prever reações adversas à transfusão.

Os métodos tradicionais para avaliar os riscos de reações adversas à transfusão de sangue baseiam-se principalmente em indicadores clínicos estáticos, análise retrospectiva do histórico médico e questionários padronizados de triagem, que apresentam múltiplaslimitações 109,110,111. Eventos TAR são extremamente raros. A incidência de reações transfusivas na população adulta geral é de aproximadamente 2%, o que resulta em uma categoria112 extremamente desequilibrada. Esse desequilíbrio faz com que classificadores padrão prioricem a precisão da classe majoritária em detrimento da classe minoritária. Para resolver essa questão, o módulo sklearn desequilibrado-aprendizado, como SMOTE+ENN, oferece uma solução bem estabelecida para rebalancear o conjunto de dados. Diversos fatores contribuem para a ocorrência de reações adversas após transfusões de sangue113. O SK-learn permite um pré-processamento eficaz dos dados coletados, facilitando análises subsequentes. O uso de transformadores de coluna para pré-processamento heterogêneo e união de características para fusão multimodal permite a integração perfeita de dadosestruturados 114,115. Na tomada de decisões clínicas, a transparência do modelo é fundamental. O SHAP/LIME é compatível com modelos sklearn, incluindo o TreeExplainer para florestas aleatórias, garantindo conformidade regulatória enquanto preserva o desempenho preditivo116,117.

Para traduzir as capacidades discutidas do sklearn em uma estratégia tangível para a previsão do TAR, propomos um pipeline prático de modelagem seguindo o roteiro estabelecido de aprendizado de máquina (Figura 3). Essa estrutura foi projetada para enfrentar os desafios específicos do TAR, como heterogeneidade de dados e desequilíbrio extremo de classes.

O desenvolvimento de um modelo preditivo robusto para reações adversas a transfusão exige uma linha analítica de ponta a ponta. Esse processo começa com a integração e pré-processamento de dados clínicos multimodais, abrangendo demografia dos pacientes, sinais vitais, valores laboratoriais, detalhes das transfusão e características dos doadores. Tipos de dados heterogêneos são eficientemente consolidados usando o ColumnTransformer do sklearn dentro de um Pipeline para aplicar escalonamento e codificação adequados, criando um conjunto de dados unificado para análise. Um passo crítico subsequente envolve abordar o profundo desequilíbrio de classes inerente a eventos raros da TAR; os rótulos-alvo, definidos por resultados rigorosamente avaliados, podem ser rebalanceados usando técnicas como SMOTE-ENN da biblioteca compatível de aprendizado desbalanceado para evitar viés do modelo. Após a preparação dos dados, múltiplos algoritmos são treinados e avaliados usando a API consistente do sklearn, com ajuste e calibração de hiperparâmetros realizados via GridSearchCV para otimizar o desempenho e garantir estimativas confiáveis de probabilidade. Para fomentar a confiança clínica e fornecer insights mecanicistas, as previsões do modelo são interpretadas usando ferramentas como o SHAP, que pode quantificar a contribuição de características específicas para a pontuação de risco de um indivíduo. A generalização do modelo é então rigorosamente validada usando técnicas robustas como validação cruzada aninhada em dados de coortes de pacientes distintas. Por fim, para possível tradução clínica, todo o pipeline treinado pode ser serializado e integrado a sistemas eletrônicos de prontuário de saúde, funcionando como uma ferramenta de suporte à decisão em tempo real que fornece pontuações de risco interpretáveis aos clínicos no ponto de atendimento.

Nesta revisão, começamos apresentando o TAR, resumindo os modelos TAR existentes, apresentando o conceito de aprendizado de máquina, destacando as vantagens do aprendizado de máquina e discutindo suas aplicações na previsão de doenças. Exploramos ainda mais a potencial aplicação do aprendizado de máquina na TAR, fornecendo diretrizes para futuros pesquisadores no desenvolvimento de modelos de aprendizagem TAR-SK. Além disso, detalhamos o papel potencial do SK-learn na avaliação do risco TAR, mas enfatizamos que limitações notáveis restringem significativamente sua aplicação clínica. Os modelos atuais de TAR dependem predominantemente de conjuntos de dados retrospectivos e de centro único, que podem não capturar variações regionais nas práticas de transfusão, características demográficas como diferenças relacionadas à idade entre populações pediátricas e adultas, ou suscetibilidade genética em populaçõesdiversas 19,26,31,32 . Além disso, esses modelos integram inadequadamente dados multiômicos, incluindo perfis de anticorpos HLA de doadores e proteômica inflamatória do receptor, que são fundamentais para entender mecanismos TAR imunomediados, como o TRALI. Essa limitação restringe sua capacidade de diferenciar entre subtipos imunes e nãoimunes 25,40. A interpretabilidade continua sendo um desafio fundamental: embora o SK-learn forneça ferramentas como valores SHAP, se previsões algorítmicas, como marcadores genéticos raros, carecerem de validação biológica como fatores de risco, os clínicos podem hesitar em adotar esses modelos, levando a uma desconexão entre os resultados do aprendizado de máquina e a intuiçãoclínica 14,50. A implementação prática também enfrenta desafios, como a necessidade de infraestrutura computacional robusta e pré-processamento padronizado de dados de prontuários eletrônicos de saúde (EHR), que muitas vezes não estão disponíveis em ambientes com recursoslimitados 47,87.

Para suprir essas lacunas, pesquisas futuras devem priorizar a coleta prospectiva de dados multicêntricos, como a integração de conjuntos de dados de registros internacionais de TAR, incluindo o sistema SHOT do Reino Unido e coortes pediátricas chinesas, para reduzir o viés de seleção e melhorar a generalização do modelo19,36. A incorporação de dados multimodais, incluindo sequenciamento de RNA unicelular do sangue doador e marcadores inflamatórios de proteínas, na pipeline SK-learn pode melhorar a classificação dos subtipos TAR, semelhante à melhora de 12-24% na sensibilidade observada em estudos de predição de resistência a medicamentospara tuberculose 73. Colaborar com imunologistas para validar mecanismos, como vincular características de risco identificadas pelo SK-learn — combinações específicas de anticorpos HLA — com ensaios de ativação de complemento in vitro, pode fazer a ponte entre previsões algorítmicas e mecanismosbiológicos 22,24. O desenvolvimento de ferramentas de suporte à decisão clínica amigáveis ao usuário, capazes de extrair automaticamente recursos em tempo real dos EHRs, como volume de transfusão e níveis de BNP, e fornecer escores de risco interpretáveis junto com critérios diagnósticos tradicionais, é essencial para uma integração perfeita nos fluxos de trabalhoclínicos 97,107.

Comparado aos modelos tradicionais do TAR, como o matching ABO/Rh e as pontuações TRACK, o SK-learn apresenta vantagens significativas. Por exemplo, algoritmos de conjunto como o LightGBM se destacam na modelagem de interações não lineares entre fatores de risco, como anticorpos anti-HLA por doadores e níveis de IL-6 em receptores, resultando em um aumento de 12 a 24% na sensibilidade em estudos de predição de resistência a antibióticos. Ferramentas de priorização de características baseadas em dados, como a importância das características por permutação, podem identificar novos indicadores de risco, incluindo duração do armazenamento sanguíneo e complicações não detectadas, além do conhecimento clínicopré-definido 45,93. Além disso, sua arquitetura open-source e requisitos computacionais moderados o tornam aplicável em ambientes com recursos limitados, ao contrário dos frameworks de deeplearning 69,93.

Para traduzir esse potencial em impacto clínico, o trabalho futuro deve focar em várias áreas-chave. Primeiro, a coleta prospectiva e multicêntrica de dados é essencial para superar o viés de seleção e melhorar a generalização do modelo em populações diversas. Segundo, integrar dados multimodais (por exemplo, perfis de anticorpos de doadores, marcadores inflamatórios do receptor) proporcionará um conjunto de recursos mais abrangente, permitindo que os modelos Sklearn distinguam melhor entre subtipos de TAR e capturem interações complexas de risco. Terceiro, a validação biológica das características de risco identificadas por algoritmos (por exemplo, vincular anticorpos HLA específicos a ensaios in vitro) é crucial para preencher a previsão estatística e a compreensão mecanicista, construindo assim confiança clínica. Por fim, desenvolver ferramentas clínicas amigáveis e interpretáveis que forneçam pontuações de risco em tempo real facilitará a integração perfeita desses modelos no fluxo de trabalho rotineiro, mudando o paradigma do gerenciamento de reações para a prevenção preventiva.

Em conclusão, esta revisão destaca o potencial transformador do SK-learn na avaliação de risco de transfusão sanguínea, abordando as limitações dos métodos tradicionais baseados em regras. Ao integrar dados clínicos complexos, priorizar características de risco e fornecer previsões interpretáveis, o SK-learn serve como uma pedra angular para a medicina de transfusão de precisão. No entanto, realizar esse potencial requer colaboração interdisciplinar, validação multicêntrica em larga escala dos modelos SK-learn, integração de dados multiômicos e clínicos em tempo real, e desenvolvimento de ferramentas amigáveis para clínicos para conectar insights algorítmicos a mecanismos biológicos.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Conclusões

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

figure-results-1
Figura 1: Ilustração das categorias TAR e do modelo atual de avaliação de risco combinadas com estratégias potenciais do SK-learn na avaliação de risco TAR. (A) A RAT pode ser dividida em dois tipos: reações imunizadas e reações não imunes. (B) Modelos atuais de avaliação de risco voltados para a TA...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores declaram que não têm interesses concorrentes.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabalho foi apoiado pelo Bureau de Ciência e Tecnologia de Luzhou, Nº 2024JYJ034, Título: Efeitos da Irradiação e do Tempo de Armazenamento em Vesículas Extracelulares em Concentrados de Plaquetas.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tanhehco, Y. C. Red blood cell transfusion. Clin Lab Med. 41 (4), 611-619 (2021).
  2. Albright, C. M., Spillane, T. E., Hughes, B. L., Rouse, D. J. A regression model for prediction of cesarean-associated blood transfusion. Am J Perinatol. 36 (9), 879-885 (2019).
  3. Abdallah, R., Rai, H., Panch, S. R. Transfusion reactions and adverse events. Clin Lab Med. 41 (4), 669-696 (2021).
  4. Wang, Y., Rao, Q., Li, X. Adverse transfusion reactions and what we can do. Expert Rev Hematol. 15 (8), 711-726 (2022).
  5. Chen, C., et al. Incidence and risk factor of blood transfusion after abdominal radical hysterectomy for cervical cancer: A 10-year retrospective study of the us nationwide inpatient sample. BMC Cancer. 24 (1), 1454(2024).
  6. Deb, J., et al. Delayed haemolytic transfusion reaction due to kidd antibodies. Transfus Clin Biol. 29 (3), 269-272 (2022).
  7. Gehrie, E. A., Savani, B. N., Booth, G. S. Risk factors for hemolytic transfusion reactions resulting from abo and minor red cell antigen incompatibility: From mislabeled samples to stem cell transplant and sickle cell disease. Blood Rev. 45, 100719(2021).
  8. Maitland, K., et al. Transfusion management of severe anaemia in african children: A consensus algorithm. Br J Haematol. 193 (6), 1247-1259 (2021).
  9. McCullagh, J., et al. Assessing the risks of haemolysis as an adverse reaction following the transfusion of abo incompatible plasma-containing components - a scoping review. Blood Rev. 56, 100989(2022).
  10. Beam, A. L., Kohane, I. S. Big data and machine learning in health care. Jama. 319 (13), 1317-1318 (2018).
  11. Nwanosike, E. M., Conway, B. R., Merchant, H. A., Hasan, S. S. Potential applications and performance of machine learning techniques and algorithms in clinical practice: A systematic review. Int J Med Inform. 159, 104679(2022).
  12. Zhang, G., et al. A machine learning model based on ultrasound image features to assess the risk of sentinel lymph node metastasis in breast cancer patients: Applications of scikit-learn and shap. Front Oncol. 12, 944569(2022).
  13. Poly, T. N., Islam, M. M., Li, Y. J. Early diabetes prediction: A comparative study using machine learning techniques. Stud Health Technol Inform. 295, 409-413 (2022).
  14. Esteva, A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 542 (7639), 115-118 (2017).
  15. Zhou, D., et al. A machine learning model for predicting diabetic nephropathy based on tg/cys-c ratio and five clinical indicators. Diabetes Metab Syndr Obes. 18, 955-967 (2025).
  16. Li, N., Down, D. G. Deep learning for platelet transfusion. Blood. 142 (26), 2231-2232 (2023).
  17. Lou, S. S., et al. Personalized surgical transfusion risk prediction using machine learning to guide preoperative type and screen orders. Anesthesiology. 137 (1), 55-66 (2022).
  18. Kulhas Celik, I., et al. Frequency and clinical characteristics of allergic transfusion reactions in children. Transfus Apher Sci. 60 (4), 103152(2021).
  19. Guo, K., et al. Transfusion reactions in pediatric patients: An analysis of 5 years of hemovigilance data from a national center for children's health in china. Front Pediatr. 9, 660297(2021).
  20. Thein, S. L., et al. Hemolytic transfusion reactions in sickle cell disease: Underappreciated and potentially fatal. Haematologica. 105 (3), 539-544 (2020).
  21. Chin, J. L. J., et al. Poor utility of current nomograms assessing the risk of intraoperative blood transfusion in patients undergoing liver resection for hepatocellular carcinoma and proposal of a new model. Surgery. 172 (5), 1442-1447 (2022).
  22. Nguyen, N. T., Titze, T. L., Nissen-Meyer, L. S. H. Evaluation of transfusion reactions in patients following transfusion of blood components containing antibodies to hla class i - an attempt to prevent trali in patients. Transfus Apher Sci. 63 (4), 103970(2024).
  23. Saadah, N. H., et al. Transition from fresh frozen plasma to solvent/detergent plasma in the netherlands: Comparing clinical use and transfusion reaction risks. Haematologica. 105 (4), 1158-1165 (2020).
  24. Yanagisawa, R., Yamanaka, M., Kawakami, F., Nakazawa, H. Sub-pollen in platelet products: A potential cause of allergic transfusion reactions. Allergol Int. 73 (1), 184-186 (2024).
  25. Kiely, P., et al. Erratum to "emerging infectious diseases and blood safety: Modeling the transfusion-transmission risk" (transfusion medicine reviews 31/3 [2017] 154-164). Transfus Med Rev. 32 (1), 66-68 (2018).
  26. Mangala, C., et al. Prevalence and factors associated with transfusion-transmissible infections (hiv, hbv, hcv and syphilis) among blood donors in gabon: Systematic review and meta-analysis. PLoS One. 19 (8), e0307101(2024).
  27. McManus, H., et al. Risk of variant creutzfeldt-jakob disease transmission by blood transfusion in australia. Vox Sang. 117 (8), 1016-1026 (2022).
  28. Shahi, N., et al. Decision-making in pediatric blunt solid organ injury: A deep learning approach to predict massive transfusion, need for operative management, and mortality risk. J Pediatr Surg. 56 (2), 379-384 (2021).
  29. Rogers, M. A., Rohde, J. M., Blumberg, N. Haemovigilance of reactions associated with red blood cell transfusion: Comparison across 17 countries. Vox Sang. 110 (3), 266-277 (2016).
  30. Shah, N., et al. Real-world effectiveness of voxelotor for treating sickle cell disease in the us: A large claims data analysis. Expert Rev Hematol. 15 (2), 167-173 (2022).
  31. Hanson, S. J., et al. Transfusion practices in pediatric cardiac surgery requiring cardiopulmonary bypass: A secondary analysis of a clinical database. Pediatr Crit Care Med. 22 (11), 978-987 (2021).
  32. Kohorst, M. A., et al. Transfusion reactions in pediatric and adolescent young adult haematology oncology and immune effector cell patients. EClinicalMedicine. 26, 100514(2020).
  33. Houben, N. A. M., et al. Platelet transfusion in neonatal intensive care units of 22 european countries: A prospective observational study. Lancet Reg Health Eur. 47, 101086(2024).
  34. Semple, J. W., Rebetz, J., Kapur, R. Transfusion-associated circulatory overload and transfusion-related acute lung injury. Blood. 133 (17), 1840-1853 (2019).
  35. Murphree, D., et al. Ensemble learning approaches to predicting complications of blood transfusion. Annu Int Conf IEEE Eng Med Biol Soc. 2015, 7222-7225 (2015).
  36. Bolton-Maggs, P. H., Cohen, H. Serious hazards of transfusion (shot) haemovigilance and progress is improving transfusion safety. Br J Haematol. 163 (3), 303-314 (2013).
  37. Leff, J., Romano, C. A., Gilbert, S., Nair, S. Validation study of the transfusion risk and clinical knowledge (track) tool in cardiac surgery patients: A retrospective analysis. J Cardiothorac Vasc Anesth. 33 (10), 2669-2675 (2019).
  38. Madhu Krishna, N. R., et al. Evaluation of risk scores in predicting perioperative blood transfusions in adult cardiac surgery. Ann Card Anaesth. 22 (1), 73-78 (2019).
  39. Roubinian, N. Taco and trali: Biology, risk factors, and prevention strategies. Hematology Am Soc Hematol Educ Program. 2018 (1), 585-594 (2018).
  40. Tung, J. P., et al. Transfusion-related acute lung injury (trali): Potential pathways of development, strategies for prevention and treatment, and future research directions. Blood Rev. 53, 100926(2022).
  41. Hendrickson, J. E., Fasano, R. M. Management of hemolytic transfusion reactions. Hematology Am Soc Hematol Educ Program. 2021 (1), 704-709 (2021).
  42. Nunez, T. C., Young, P. P., Holcomb, J. B., Cotton, B. A. Creation, implementation, and maturation of a massive transfusion protocol for the exsanguinating trauma patient. J Trauma. 68 (6), 1498-1505 (2010).
  43. Ohbe, H., et al. Trends in massive transfusion practice for trauma in japan from 2011 to 2020: A nationwide inpatient database study. J Intensive Care. 11 (1), 46(2023).
  44. Ahmadzia, H. K., et al. Machine learning models for prediction of maternal hemorrhage and transfusion: Model development study. JMIR Bioinform Biotechnol. 5, e52059(2024).
  45. Maynard, S., et al. Machine learning in transfusion medicine: A scoping review. Transfusion. 64 (1), 162-184 (2024).
  46. Mitterecker, A., et al. Machine learning-based prediction of transfusion. Transfusion. 60 (9), 1977-1986 (2020).
  47. Shang, G., Biggerstaff, B. J., Richardson, A. M., Gahan, M. E., Lidbury, B. A. A simulation model to estimate the risk of transfusion-transmitted arboviral infection. Transfus Apher Sci. 55 (2), 233-239 (2016).
  48. D'Alessandro, A. Red blood cell omics and machine learning in transfusion medicine: Singularity is near. Transfus Med Hemother. 50 (3), 174-183 (2023).
  49. Lopes, M. G. M., et al. Big data in transfusion medicine and artificial intelligence analysis for red blood cell quality control. Transfus Med Hemother. 50 (3), 163-173 (2023).
  50. Roubinian, N. H., et al. Donor genetic and nongenetic factors affecting red blood cell transfusion effectiveness. JCI Insight. 7 (1), e152598(2022).
  51. Toma, A., Diller, G. P., Lawler, P. R. Deep learning in medicine. JACC Adv. 1 (1), 100017(2022).
  52. Stilgoe, J. We need a weizenbaum test for ai. Science. 381 (6658), eadk0176(2023).
  53. Valkenborg, D., Rousseau, A. J., Geubbelmans, M., Burzykowski, T. Support vector machines. Am J Orthod Dentofacial Orthop. 164 (5), 754-757 (2023).
  54. Sarker, I. H. Deep learning: A comprehensive overview on techniques, taxonomy, applications and research directions. SN Comput Sci. 2 (6), 420(2021).
  55. Howell, M. D., Corrado, G. S., DeSalvo, K. B. Three epochs of artificial intelligence in health care. Jama. 331 (3), 242-244 (2024).
  56. Rauschert, S., Raubenheimer, K., Melton, P. E., Huang, R. C. Machine learning and clinical epigenetics: A review of challenges for diagnosis and classification. Clin Epigenetics. 12 (1), 51(2020).
  57. Darcy, A. M., Louie, A. K., Roberts, L. W. Machine learning and the profession of medicine. Jama. 315 (6), 551-552 (2016).
  58. Obermeyer, Z., Emanuel, E. J. Predicting the future - big data, machine learning, and clinical medicine. N Engl J Med. 375 (13), 1216-1219 (2016).
  59. Topol, E. J. High-performance medicine: The convergence of human and artificial intelligence. Nat Med. 25 (1), 44-56 (2019).
  60. McKinney, S. M., et al. International evaluation of an ai system for breast cancer screening. Nature. 577 (7788), 89-94 (2020).
  61. Coudray, N., et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nat Med. 24 (10), 1559-1567 (2018).
  62. Jiang, P., et al. Signatures of t cell dysfunction and exclusion predict cancer immunotherapy response. Nat Med. 24 (10), 1550-1558 (2018).
  63. Ardila, D., et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 25 (6), 954-961 (2019).
  64. Tomašev, N., et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 572 (7767), 116-119 (2019).
  65. Swanson, K., Wu, E., Zhang, A., Alizadeh, A. A., Zou, J. From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment. Cell. 186 (8), 1772-1791 (2023).
  66. Xu, Y., et al. Medical breast ultrasound image segmentation by machine learning. Ultrasonics. 91, 1-9 (2019).
  67. Wang, S., et al. Predicting egfr mutation status in lung adenocarcinoma on computed tomography image using deep learning. Eur Respir J. 53 (3), 1800986(2019).
  68. Wu, Z., et al. Single-cell techniques and deep learning in predicting drug response. Trends Pharmacol Sci. 41 (12), 1050-1065 (2020).
  69. Tran, K. A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 13 (1), 152(2021).
  70. Ha, R., et al. Convolutional neural network based breast cancer risk stratification using a mammographic dataset. Acad Radiol. 26 (4), 544-549 (2019).
  71. Ryu, H. S., et al. Automated gleason scoring and tumor quantification in prostate core needle biopsy images using deep neural networks and its comparison with pathologist-based assessment. Cancers (Basel). 11 (12), 1860(2019).
  72. Nir, G., et al. Comparison of artificial intelligence techniques to evaluate performance of a classifier for automatic grading of prostate cancer from digitized histopathologic images. JAMA Netw Open. 2 (3), e190442(2019).
  73. Ström, P., et al. Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: A population-based, diagnostic study. Lancet Oncol. 21 (2), 222-232 (2020).
  74. Ehteshami Bejnordi, B., et al. Using deep convolutional neural networks to identify and classify tumor-associated stroma in diagnostic breast biopsies. Mod Pathol. 31 (10), 1502-1512 (2018).
  75. El Achi, H., Khoury, J. D. Artificial intelligence and digital microscopy applications in diagnostic hematopathology. Cancers (Basel). 12 (4), 797(2020).
  76. Poojitha, U. P., Lal Sharma, S. Hybrid unified deep learning network for highly precise gleason grading of prostate cancer. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 899-903 (2019).
  77. Szklarczyk, D., et al. String v10: Protein-protein interaction networks, integrated over the tree of life. Nucleic Acids Res. 43 (Database issue), D447-D452 (2015).
  78. Vaid, A., et al. Machine learning to predict mortality and critical events in a cohort of patients with covid-19 in new york city: Model development and validation. J Med Internet Res. 22 (11), e24018(2020).
  79. Lao, J., et al. A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. 7 (1), 10353(2017).
  80. Goodswen, S. J., et al. Machine learning and applications in microbiology. FEMS Microbiol Rev. 45 (5), fuab015(2021).
  81. Rajaraman, S., et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 6, e4568(2018).
  82. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K., Zwiggelaar, R. Deep learning in mammography and breast histology, an overview and future trends. Med Image Anal. 47, 45-67 (2018).
  83. Dembrower, K., et al. Comparison of a deep learning risk score and standard mammographic density score for breast cancer risk prediction. Radiology. 294 (2), 265-272 (2020).
  84. Yala, A., et al. Toward robust mammography-based models for breast cancer risk. Sci Transl Med. 13 (578), eaba4373(2021).
  85. Al-Riyami, A. Z., Gammon, R. R., Seheult, J., Arora, S., Goel, R. Artificial intelligence and transfusion education, research and practice: The view from the isbt clinical transfusion working party. Vox Sang. , 1-7 (2025).
  86. Sheikhalishahi, S., et al. Predicting blood transfusion demand in intensive care patients after surgery by comparative analysis of temporally extended data selection. BMC Med Inform Decis Mak. 24 (1), 397(2024).
  87. Zang, H., Hu, A., Xu, X., Ren, H., Xu, L. Development of machine learning models to predict perioperative blood transfusion in hip surgery. BMC Med Inform Decis Mak. 24 (1), 158(2024).
  88. Lavecchia, A., Cerchia, C. In silico methods to address polypharmacology: Current status, applications and future perspectives. Drug Discov Today. 21 (2), 288-298 (2016).
  89. Gupta, R., et al. Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Mol Divers. 25 (3), 1315-1360 (2021).
  90. Smith, J. S., Roitberg, A. E., Isayev, O. Transforming computational drug discovery with machine learning and ai. ACS Med Chem Lett. 9 (11), 1065-1069 (2018).
  91. Powles, J., Hodson, H. Google deepmind and healthcare in an age of algorithms. Health Technol (Berl). 7 (4), 351-367 (2017).
  92. Senior, A. W., et al. Improved protein structure prediction using potentials from deep learning. Nature. 577 (7792), 706-710 (2020).
  93. Abraham, A., et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform. 8, 14(2014).
  94. Dreizin, D., et al. Deep learning-based quantitative visualization and measurement of extraperitoneal hematoma volumes in patients with pelvic fractures: Potential role in personalized forecasting and decision support. J Trauma Acute Care Surg. 88 (3), 425-433 (2020).
  95. Nayshool, O., Kol, N., Javaski, E., Amariglio, N., Rechavi, G. Surviveai: Long term survival prediction of cancer patients based on somatic rna-seq expression. Cancer Inform. 21, 11769351221127875(2022).
  96. Tanaka, T. [[fundamentals] 5. Python+scikit-learn for machine learning in medical imaging]. Nihon Hoshasen Gijutsu Gakkai Zasshi. 79 (10), 1189-1193 (2023).
  97. Cohen, O., Barzilai, M., Cohen, O. Ai applications in transfusion medicine: Opportunities, challenges, and future directions. Acta Haematol. 148 (5), 516-526 (2025).
  98. Tang, M., et al. An artificial intelligence-assisted clinical framework to facilitate diagnostics and translational discovery in hematologic neoplasia. EBioMedicine. 104, 105171(2024).
  99. Urusova, L., et al. The new histological system for the diagnosis of adrenocortical cancer. Front Endocrinol (Lausanne). 14, 1218686(2023).
  100. Majumder, S. K., Ghosh, N., Gupta, P. K. Support vector machine for optical diagnosis of cancer. J Biomed Opt. 10 (2), 024034(2005).
  101. Liu, H. X., et al. Diagnosing breast cancer based on support vector machines. J Chem Inf Comput Sci. 43 (3), 900-907 (2003).
  102. Quist, J., Taylor, L., Staaf, J., Grigoriadis, A. Random forest modelling of high-dimensional mixed-type data for breast cancer classification. Cancers (Basel). 13 (5), 991(2021).
  103. Ma, B., et al. Diagnostic classification of cancers using extreme gradient boosting algorithm and multi-omics data. Comput Biol Med. 121, 103761(2020).
  104. Li, Q., et al. Xgboost-based and tumor-immune characterized gene signature for the prediction of metastatic status in breast cancer. J Transl Med. 20 (1), 177(2022).
  105. Li, H., et al. Colorectal cancer detected by machine learning models using conventional laboratory test data. Technol Cancer Res Treat. 20, 15330338211058352(2021).
  106. Tran, T., Le, U., Shi, Y. An effective up-sampling approach for breast cancer prediction with imbalanced data: A machine learning model-based comparative analysis. PLoS One. 17 (5), e0269135(2022).
  107. Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PLoS One. 12 (4), e0174944(2017).
  108. Shinohara, I., et al. Re-tear after arthroscopic rotator cuff tear surgery: Risk analysis using machine learning. J Shoulder Elbow Surg. 33 (4), 815-822 (2024).
  109. Roubinian, N. H., et al. Incidence and clinical characteristics of transfusion-associated circulatory overload using an active surveillance algorithm. Vox Sang. 112 (1), 56-63 (2017).
  110. Vlaar, A. P. Transfusion-related acute lung injury: Current understanding and preventive strategies. Transfus Clin Biol. 19 (3), 117-124 (2012).
  111. Allain, J. P., Goodrich, R. Pathogen reduction of whole blood: Utility and feasibility. Transfus Med. 27 (Suppl 5), 320-326 (2017).
  112. Hendrickson, J. E., et al. Incidence of transfusion reactions: A multicenter study utilizing systematic active surveillance and expert adjudication. Transfusion. 56 (10), 2587-2596 (2016).
  113. Wang, K., et al. Improving risk identification of adverse outcomes in chronic heart failure using smote+enn and machine learning. Risk Manag Healthc Policy. 14, 2453-2463 (2021).
  114. Lipkova, J., et al. Artificial intelligence for multimodal data integration in oncology. Cancer Cell. 40 (10), 1095-1110 (2022).
  115. Ahn, S. Building and analyzing machine learning-based warfarin dose prediction models using scikit-learn. Transl Clin Pharmacol. 30 (4), 172-181 (2022).
  116. Nayebi, A., Tipirneni, S., Foreman, B., Reddy, C. K., Subbian, V. An empirical comparison of explainable artificial intelligence methods for clinical data: A case study on traumatic brain injury. AMIA Annu Symp Proc. 2022, 815-824 (2022).
  117. Contreras, J., Winterfeld, A., Popp, J., Bocklitz, T. Spectral zones-based shap/lime: Enhancing interpretability in spectral deep learning models through grouped feature analysis. Anal Chem. 96 (39), 15588-15597 (2024).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Medicina de Precis oTransfus o Sangu neaModelos de Predi o Cl nicaInterpretabilidade de ModelosPredi o de Risco M dicoHeterogeneidade de Dados

Artigos relacionados