Abstract
Modelos Fundacionais Tabulares (TFMs) apresentam alto desempenho preditivo, mas permanecem vulneráveis ao desvio temporal (drift) na saúde. Propomos um arcabouço de Interpretabilidade Mecanística Dinâmica que os torna auditáveis e sensíveis ao tempo. Nosso pipeline processa representações internas em lotes e usa Sparse Autoencoders (SAEs) para separar padrões de ativação sobrepostos. Ao adaptar Testing with Concept Activation Vectors com árvores de decisão substitutas, identificamos padrões de risco clínico sem anotações manuais. Em um registro longitudinal de diálise renal, a abordagem mostra que as previsões se apoiam em conceitos latentes estáveis, distinguindo o desvio populacional de mudanças no raciocínio interno do modelo.