Arquitetura Multiagente Explicável para Predição de Desfechos Clínicos: Um Framework de IA Confiável Aplicado ao Monitoramento da Tuberculose
Resumo
Este trabalho propõe um framework multiagente de IA Explicável para apoio à decisão em saúde pública, com foco no monitoramento da tuberculose. A arquitetura utiliza agentes especializados para coordenar o processamento de dados, a predição de risco e a explicabilidade. Ao integrar o classificador XGBoost ao método SHAP e à técnica de balanceamento SMOTENC, o framework identifica pacientes de alto risco com 92,56% de probabilidade estimada em casos críticos, dobrando o recall para desfechos desfavoráveis em relação a modelos tradicionais. Os resultados demonstram que a modularidade proposta garante desempenho preditivo aliado a elevados níveis de transparência, evidenciando a portabilidade da arquitetura para o monitoramento de outras condições crônicas e o suporte qualificado a gestores de saúde.Referências
Azevedo, R. B. A. and Dusek, P. M. (2025). Informação em saúde como recurso estratégico para a governança pública. Revista Científica FESA, 3(27):112–123.
Batista, J. F. C., Almeida-Santos, M. A., and Lima, S. O. (2025). Tendência dos indicadores epidemiológicos e fatores associados ao abandono de tratamento e óbito pela tuberculose em pessoas em situação de rua no brasil: estudo ecológico e transversal, 2014-2022. Epidemiologia e Serviços de Saúde, 34:e20240273.
Born, M. B., Alves, B. C., Goulart, F. M., Caldas, L. B., and de Aguiar, M. S. (2025). Revisão sistemática da literatura integrando sistemas multiagente e large language models. In Workshop-Escola de Sistemas de Agentes, seus Ambientes e Aplicações (WESAAC), pages 230–239. SBC.
Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., Chen, K., Mitchell, R., Cano, I., Zhou, T., et al. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1(4):1–4.
Dewi, R., Saleh, A., Tanjung, D. Y. H., Jinan, A., et al. (2025). Enhancing machine learning algorithm performance for pcos diagnosis using smotenc on imbalanced data. JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), 11(1):55–63.
Hameed, S., Nauman, M., Akhtar, N., Fayyaz, M. A., and Nawaz, R. (2025). Explainable ai-driven depression detection from social media using natural language processing and black box machine learning models. Frontiers in Artificial Intelligence, 8:1627078.
Hughes, L., Dwivedi, Y. K., Malik, T., Shawosh, M., Albashrawi, M. A., Jeon, I., Dutot, V., Appanderanda, M., Crick, T., De’, R., et al. (2025). Ai agents and agentic systems: A multi-expert analysis. Journal of Computer Information Systems, pages 1–29.
Liu, F., Niu, Y., Zhang, Q., Wang, K., Dong, Z., Wong, I. N., Cheng, L., Li, T., Duan, L., Li, K., et al. (2025). A foundational architecture for ai agents in healthcare. Cell Reports Medicine, 6(10).
Ma, F.-q., He, C., Yang, H.-r., Hu, Z.-w., Mao, H.-r., Fan, C.-y., Qi, Y., Zhang, J.-x., and Xu, B. (2023). Interpretable machine-learning model for predicting the convalescent covid-19 patients with pulmonary diffusing capacity impairment. BMC Medical Informatics and Decision Making, 23(1):169.
Nassreddine, G., Nassereddine, M., and Al-Khatib, O. (2025). Ensemble learning for network intrusion detection based on correlation and embedded feature selection techniques. Computers, 14(3):82.
Paul, S., Olymon, K., Martinez, G. S., Sarkar, S., Yella, V. R., and Kumar, A. (2024). Mldspp: Bacterial promoter prediction tool using dna structural properties with machine learning and explainable ai. Journal of Chemical Information and Modeling, 64(7):2705–2719.
Ribeiro, R. D., Gomes, V., Gomes, D., Gomes, G., de Souza, E. V., Gomes, A., Sousa, R. d. C. V., and Gomes, L. H. (2025). Impacto da inteligência artificial na medicina: Revisão bibliográfica sobre diagnóstico, tratamento e sistemas de apoio à decisão. LUMEN ET VIRTUS, 16(44):217–233.
Rodrigues, M. M., Barreto-Duarte, B., Vinhaes, C. L., Araújo-Pereira, M., Fukutani, E. R., Bergamaschi, K. B., Kristki, A., Cordeiro-Santos, M., Rolla, V. C., Sterling, T. R., et al. (2024). Machine learning algorithms using national registry data to predict loss to follow-up during tuberculosis treatment. BMC Public Health, 24(1):1385.
Tanasă, A.-M., Oprea, S.-V., and Bâra, A. (2026). Designing an architecture of a multi-agentic ai-powered virtual assistant using llms and rag for a medical clinic. Electronics, 15(2):334.
World Health Organization (2025). Global Tuberculosis Report 2025. World Health Organization, Geneva. Licence: CC BY-NC-SA 3.0 IGO.
Yasin, P., Yimit, Y., Cai, X., Aimaiti, A., Sheng, W., Mamat, M., and Nijiati, M. (2024). Machine learning-enabled prediction of prolonged length of stay in hospital after surgery for tuberculosis spondylitis patients with unbalanced data: a novel approach using explainable artificial intelligence (xai). European Journal of Medical Research, 29(1):383.
Batista, J. F. C., Almeida-Santos, M. A., and Lima, S. O. (2025). Tendência dos indicadores epidemiológicos e fatores associados ao abandono de tratamento e óbito pela tuberculose em pessoas em situação de rua no brasil: estudo ecológico e transversal, 2014-2022. Epidemiologia e Serviços de Saúde, 34:e20240273.
Born, M. B., Alves, B. C., Goulart, F. M., Caldas, L. B., and de Aguiar, M. S. (2025). Revisão sistemática da literatura integrando sistemas multiagente e large language models. In Workshop-Escola de Sistemas de Agentes, seus Ambientes e Aplicações (WESAAC), pages 230–239. SBC.
Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., Chen, K., Mitchell, R., Cano, I., Zhou, T., et al. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1(4):1–4.
Dewi, R., Saleh, A., Tanjung, D. Y. H., Jinan, A., et al. (2025). Enhancing machine learning algorithm performance for pcos diagnosis using smotenc on imbalanced data. JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), 11(1):55–63.
Hameed, S., Nauman, M., Akhtar, N., Fayyaz, M. A., and Nawaz, R. (2025). Explainable ai-driven depression detection from social media using natural language processing and black box machine learning models. Frontiers in Artificial Intelligence, 8:1627078.
Hughes, L., Dwivedi, Y. K., Malik, T., Shawosh, M., Albashrawi, M. A., Jeon, I., Dutot, V., Appanderanda, M., Crick, T., De’, R., et al. (2025). Ai agents and agentic systems: A multi-expert analysis. Journal of Computer Information Systems, pages 1–29.
Liu, F., Niu, Y., Zhang, Q., Wang, K., Dong, Z., Wong, I. N., Cheng, L., Li, T., Duan, L., Li, K., et al. (2025). A foundational architecture for ai agents in healthcare. Cell Reports Medicine, 6(10).
Ma, F.-q., He, C., Yang, H.-r., Hu, Z.-w., Mao, H.-r., Fan, C.-y., Qi, Y., Zhang, J.-x., and Xu, B. (2023). Interpretable machine-learning model for predicting the convalescent covid-19 patients with pulmonary diffusing capacity impairment. BMC Medical Informatics and Decision Making, 23(1):169.
Nassreddine, G., Nassereddine, M., and Al-Khatib, O. (2025). Ensemble learning for network intrusion detection based on correlation and embedded feature selection techniques. Computers, 14(3):82.
Paul, S., Olymon, K., Martinez, G. S., Sarkar, S., Yella, V. R., and Kumar, A. (2024). Mldspp: Bacterial promoter prediction tool using dna structural properties with machine learning and explainable ai. Journal of Chemical Information and Modeling, 64(7):2705–2719.
Ribeiro, R. D., Gomes, V., Gomes, D., Gomes, G., de Souza, E. V., Gomes, A., Sousa, R. d. C. V., and Gomes, L. H. (2025). Impacto da inteligência artificial na medicina: Revisão bibliográfica sobre diagnóstico, tratamento e sistemas de apoio à decisão. LUMEN ET VIRTUS, 16(44):217–233.
Rodrigues, M. M., Barreto-Duarte, B., Vinhaes, C. L., Araújo-Pereira, M., Fukutani, E. R., Bergamaschi, K. B., Kristki, A., Cordeiro-Santos, M., Rolla, V. C., Sterling, T. R., et al. (2024). Machine learning algorithms using national registry data to predict loss to follow-up during tuberculosis treatment. BMC Public Health, 24(1):1385.
Tanasă, A.-M., Oprea, S.-V., and Bâra, A. (2026). Designing an architecture of a multi-agentic ai-powered virtual assistant using llms and rag for a medical clinic. Electronics, 15(2):334.
World Health Organization (2025). Global Tuberculosis Report 2025. World Health Organization, Geneva. Licence: CC BY-NC-SA 3.0 IGO.
Yasin, P., Yimit, Y., Cai, X., Aimaiti, A., Sheng, W., Mamat, M., and Nijiati, M. (2024). Machine learning-enabled prediction of prolonged length of stay in hospital after surgery for tuberculosis spondylitis patients with unbalanced data: a novel approach using explainable artificial intelligence (xai). European Journal of Medical Research, 29(1):383.
Publicado
19/07/2026
Como Citar
PEREIRA, Ronilson W. S.; FALCÃO, Igor; CARNEIRO, Saul; SERUFFO, Marcos; FIGUEIREDO, Karla.
Arquitetura Multiagente Explicável para Predição de Desfechos Clínicos: Um Framework de IA Confiável Aplicado ao Monitoramento da Tuberculose. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 18. , 2026, Gramado/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 71-80.
ISSN 2595-6183.
DOI: https://doi.org/10.5753/sbcup.2026.23920.
