Ghép tế bào gốc tạo máu (HSCT) yêu cầu huy động đủ tế bào gốc từ những người hiến tặng khỏe mạnh. Tuy nhiên, một số người hiến tặng, được gọi là người huy động kém, không cung cấp đủ tế bào mặc dù đã được huy động, dẫn đến sự chậm trễ và kết quả bất lợi. Để giải quyết thách thức này, chúng tôi đề xuất một khung học máy có thể giải thích được, phân loại người hiến tặng thành người huy động kém và người huy động tốt bằng cách sử dụng các đặc điểm lâm sàng. Phương pháp này tích hợp Loại bỏ đặc điểm đệ quy và bộ phân loại XGBoost vào một quy trình nhẹ, phù hợp để triển khai trong các hệ thống hỗ trợ quyết định lâm sàng đa trung tâm, dựa trên mạng lưới. Mô hình được đề xuất đạt độ chính xác 96,1%, AUC 98,7% và độ thu hồi 98,1% đối với người huy động kém. Để tăng cường khả năng giải thích, chúng tôi sử dụng SHAP để định lượng đóng góp của các yếu tố lâm sàng chính như số lượng tiểu cầu, tuổi và MCV. Những giải thích này xác nhận các yếu tố dự báo đã được thiết lập đồng thời gợi ý những hiểu biết mang tính khám phá, hỗ trợ tiềm năng của Học máy (ML) có thể giải thích được để cải thiện việc sàng lọc người hiến tặng trong HSCT.