Análise preditiva e interpretável de dados clínicos em traumatismo cranioencefálico leve com XGBoost e SHAP.

Abstract

O avanço das técnicas de aprendizado de máquina, como o eXtreme Gradient Boosting (XGBoost), tem revolucionado a análise de dados complexos, especialmente em áreas críticas como a saúde. Contudo, a complexidade desses modelos pode dificultar sua interpretação, tornando métodos como o SHapley Additive exPlanations (SHAP) fundamentais para garantir transparência e confiança. Este trabalho realiza uma análise exploratória de dados de pacientes com traumatismo cranioencefálico (TCE), utilizando a sinergia entre o XGBoost e a interpretabilidade SHAP para predizer desfechos emocionais — ansiedade e depressão. Foram treinados modelos XGBoost independentes para cada condição, alcançando desempenho satisfatório. A análise SHAP revelou assinaturas biológicas distintas para cada desfecho: para a ansiedade, o biomarcador LIGHT e a idade emergiram como os fatores de maior impacto, enquanto para a depressão, Lipocalin-2 e MCP-1 foram as variáveis mais influentes. O estudo demonstra que a combinação do poder preditivo do XGBoost com a clareza explicativa do SHAP é uma ferramenta robusta para identificar preditores clinicamente relevantes, reforçando a complexidade fisiopatológica dos transtornos pós-TCE e a necessidade de abordagens personalizadas.