---
title: "Paper apresenta modelo de machine learning explicável para prever resposta à imunoterapia"
author: "Gabriela P. Torres"
date: "2026-05-25 11:48:00-03"
category: "Inteligência Artificial & Dados"
url: "http://desbugados.scale.press/portal/desbugados/post/2026/05/25/paper-apresenta-modelo-de-machine-learning-explicavel-para-prever-resposta-a-imunoterapia/md"
---

## Resumo
- Publicação em 23 de maio de 2026 na Scientific Reports detalha modelo de ML explicável para imunoterapia em melanoma.
- Análise de 229 amostras com integração de dados clínicos, DNA e RNA.
- Treinamento em 138 amostras e validação em coorte de 53 pacientes.
- Testes adicionais em 15 casos de doença estável e 23 de melanoma não cutâneo.
- Principais recursos: mutações, abundância de células imunes e expressão de LAG3 via SHAP.
- Limiares numéricos inferidos para distinguir boa e ruim resposta.
- Preprint original disponível desde 25 de março de 2025 no bioRxiv.

---

Um estudo publicado em 23 de maio de 2026 na Scientific Reports descreve um modelo de machine learning explicável capaz de identificar características e limiares preditivos da resposta à imunoterapia em melanoma, usando dados de 229 amostras de sequenciamento.

## Metodologia e Dados Utilizados no Estudo

O trabalho integrou características clínicas com sequenciamento de DNA e RNA de **229 amostras de melanoma**. Os modelos foram treinados em **138 amostras** com testes estatísticos Mann-Whitney U (p ≤ 0,05) e valores SHAP; o random forest mostrou melhor desempenho em coorte independente de **53 pacientes**.

## Características Identificadas e Validação em Subgrupos

Os recursos preditivos incluem características de mutação, abundância de tipos de células imunes e expressão de **LAG3**. Os testes abrangeram casos de doença estável (n=15) e melanoma não cutâneo (n=23), permitindo avaliar o modelo em cenários clínicos variados.

## Contribuição dos Valores SHAP e Autores Envolvidos

Os valores SHAP inferiram limiares numéricos que distinguem boa de ruim resposta à imunoterapia. Os autores incluem **Khoa A. Tran**, **Venkateswar Addala** e outros, com Khoa A. Tran e Nicola Waddell como autores correspondentes; o preprint anterior data de 25 de março de 2025 no bioRxiv.