El fraude con tarjetas de crédito (CC) ha sido un problema persistente y ha afectado a las organizaciones financieras. Los algoritmos tradicionales de aprendizaje automático (ML) son ineficaces debido al aumento del espacio de ataque, y técnicas como la memoria a corto plazo (LSTM) han mostrado resultados prometedores en la detección de patrones de fraude con tarjetas de crédito. Sin embargo, debido a la naturaleza de caja negra del modelo LSTM, el proceso de toma de decisiones podría mejorarse. Por lo tanto, en este documento, proponemos un esquema que presenta inteligencia artificial explicativa (XAI) para ayudar a comprender e interpretar el comportamiento de los modelos de caja negra. XAI se utiliza formalmente para interpretar estos modelos de caja negra; sin embargo, usamos XAI para extraer características esenciales del conjunto de datos de fraude con tarjetas de crédito, mejorando así el rendimiento del modelo LSTM. El XAI se integró con LSTM para formar un modelo LSTM explicativo (X-LSTM). El enfoque propuesto toma datos preprocesados y los alimenta al modelo XAI, que calcula el gráfico de importancia de variables para el conjunto de datos, lo que simplifica la selección de características. Luego, los datos se presentan al modelo LSTM, y la clasificación de salida se almacena en un contrato inteligente (SC), asegurando que no se manipulen los resultados. Los datos finales se almacenan en la cadena de bloques (BC), que forma entradas de libro mayor confiables y cronológicas. Hemos considerado dos conjuntos de datos de CC de código abierto. Obtenemos una precisión del 99.8% con nuestro modelo X-LSTM propuesto durante 50 épocas en comparación con el 85% sin XAI (modelo LSTM simple). Presentamos los requisitos de tarifa de gas, ancho de banda de IPFS y la especificación del contrato de detección de fraude en métricas de cadena de bloques. Los resultados propuestos indican la viabilidad práctica de nuestro esquema en configuraciones reales de gasto y préstamo de CC financieros.