Interpretabilidade Mecanística Dinâmica para Modelos Fundacionais Tabulares na Saúde
Authors:
- João Marcos CamposJCJoão Marcos Campos
- Rafael Martins GomesRGRafael Martins Gomes
- Diogo Tuler ChavesDCDiogo Tuler Chaves
- Wagner Meira Jr.WJWagner Meira Jr.
- Mariangela Leal CherchigliaMCMariangela Leal Cherchiglia
- Hugo André Da RochaHRHugo André Da Rocha
- Leonardo RochaLRLeonardo Rocha
- Marcos André GonçalvesMGMarcos André Gonçalves
Open Access
- 10 July 2026
- journal article
- Published by Sociedade Brasileira de Computação in Revista Eletrônica de Iniciação Científica em Computação
- Vol. 24, 466-472
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.Keywords
This publication has 3 references indexed in Scilit:
- Explainable artificial intelligence for predicting cardiovascular events in hospitalised COVID-19 patientsBMC Infectious Diseases, 2025
- Drift-Resilient TabPFN: In-Context Learning Temporal Distribution Shifts on Tabular Data2024
- Building the National Database of Health Centred on the Individual: Administrative and Epidemiological Record Linkage - Brazil, 2000-2015International Journal of Population Data Science, 2018