A mortalidade precoce após quimioterapia de indução representa um desafio clínico na leucemia mieloide aguda (LMA), especialmente em centros com recursos limitados. Métodos preditivos acurados podem auxiliar na escolha de terapias adaptadas ao risco, como regimes menos intensivos ou o uso de agentes-alvo. Modelos de aprendizado de máquina têm potencial para superar abordagens estatísticas convencionais, sobretudo quando aplicados a dados laboratoriais amplamente disponíveis.

Desenvolver e validar modelos de aprendizado de máquina baseados exclusivamente em parâmetros clínicos e laboratoriais ao diagnóstico para prever mortalidade precoce em pacientes com LMA submetidos à quimioterapia intensiva de indução.

Estudo retrospectivo em serviço público de São Paulo, incluindo pacientes com LMA recém-diagnosticada entre 2014 e 2025. De 230 casos, 110 receberam indução com quimioterapia intensiva. O desfecho primário foi mortalidade precoce, definida como óbito até 30 dias após início da indução. O conjunto inicial de análises incluiu regressões univariada, multivariada para variáveis clínicas e laboratoriais, seguidas por modelos de árvore de decisão, que identificaram o hemograma ao diagnóstico como preditor mais relevante. Com base nesses achados, foram desenvolvidos modelos de Extreme Gradient Boosting (XGBoost) e Support Vector Machine (SVM) utilizando Python scikit-learn v1.6.1 e xgboost v2.1.4. Para corrigir o desbalanceamento das classes, aplicaram-se Synthetic Minority Over-sampling Technique (SMOTE, razão 0,5) e Random Undersampling (razão 0,9). A otimização de hiperparâmetros foi realizada por GridSearch, e a robustez avaliada por validação cruzada K-Fold (k=5). O desempenho foi medido pela área sob a curva ROC (AUROC) em conjunto de teste independente. A interpretabilidade do modelo XGBoost foi explorada por SHapley Additive exPlanations (SHAP).

Dos 101 pacientes aptos à quimioterapia intensiva, todos receberam “7+3” (citarabina 100 mg/m2 e daunorrubicina 60 mg/m2). A mediana de idade foi de 51 anos (38–62), 55,4% eram do sexo feminino e 39,6% apresentavam risco desfavorável segundo a ELN 2022. A mortalidade precoce foi de 12,8%, predominantemente por infecção (76,9%). Na análise univariada, não houve associação entre mortalidade precoce e idade (OR = 0,98; IC95%: 0,95–1,00; p = 0,094), índice de comorbidades de Charlson (OR = 0,92; p = 0,395), intervalo entre início dos sintomas e diagnóstico (OR = 1,00; p = 0,718), hemoglobina (OR = 0,88; p = 0,204) ou contagem de leucócitos (OR = 1,00; p = 0,055). O modelo XGBoost baseado apenas no hemograma apresentou AUROC de 0,823, sensibilidade de 74% e especificidade de 74%, com diferença inferior a 9% entre conjuntos de treinamento e teste. O desempenho foi consistente entre sexo, idade e raça/etnia, sugerindo equidade no modelo. A análise SHAP indicou hemoglobina, contagem de monócitos e contagem de basófilos como variáveis mais relevantes.

Neste estudo, o modelo XGBoost treinado exclusivamente com parâmetros do hemograma apresentou bom desempenho para prever mortalidade precoce em LMA tratada com quimioterapia intensiva, sendo potencialmente aplicável em hospitais com recursos limitados. Sua implementação é viabilizada por depender apenas de exames de rotina, favorecendo reprodutibilidade e baixo custo. Limitações incluem o caráter retrospectivo e a análise de centro único. Estudos multicêntricos prospectivos são necessários para validação e refinamento.