{
  "abstract": "Introdução: Modelos clinicamente aplicáveis para predizer o tempo até o primeiro tratamento (TTFT) na leucemia linfocítica crônica (LLC) ainda são escassos. Na prática, a estratificação de risco ao diagnóstico baseia-se em variáveis clínicas e laboratoriais rotineiras, enquanto biomarcadores moleculares frequentemente não estão disponíveis nessa fase da doença. Desenvolvemos e comparamos modelos interpretáveis de machine learning (ML) para predição individualizada do TTFT utilizando dados do Registro Brasileiro de LLC. Métodos: Foram incluídos pacientes com LLC diagnosticados entre 1990 e 2025 no Registro Brasileiro de LLC, coorte multicêntrica com mais de 57 centros públicos e privados. Foram excluídos pacientes com linfocitose monoclonal de células B, linfoma linfocítico de pequenas células, dados incompletos de TTFT ou tratamento iniciado nos primeiros 30 dias após o diagnóstico. Foram desenvolvidos dois modelos: predição do TTFT e predição binária de tratamento em menos de um ano. Nesta última, foram excluídos pacientes não tratados com seguimento inferior a um ano. Somente variáveis disponíveis ao diagnóstico foram utilizadas. Diferentes conjuntos de variáveis incluíram parâmetros clínicos e laboratoriais rotineiros, estadiamentos de Rai, Binet, CLL-IPI e, quando disponíveis, alterações em TP53/17p, status mutacional de IGHV, expressão de CD38 e albumina. Foram avaliados Elastic Net, Random Forest, XGBoost, LightGBM, CatBoost, Support Vector Machine, Naïve Bayes, Random Survival Forest e Gradient Boosting Survival. Os modelos foram desenvolvidos por validação cruzada estratificada em cinco partições, repetida dez vezes, sem utilização de SMOTE ou outras técnicas de balanceamento artificial. A interpretabilidade foi avaliada por SHapley Additive exPlanations (SHAP). Resultados: Entre 4174 pacientes registrados, 3961 apresentavam dados completos de TTFT, incluindo 2194 eventos de tratamento. A mediana de TTFT foi de 1508 dias (4,1 anos). Entre 3590 pacientes avaliáveis, 955 (26,6%) iniciaram tratamento em até um ano. O conjunto formado por estadiamento de Binet, esplenomegalia, leucócitos, linfócitos absolutos, creatinina, DHL elevada e β2-microglobulina elevada apresentou o melhor equilíbrio entre desempenho e aplicabilidade clínica. Utilizando Elastic Net, esse modelo alcançou AUROC de 0,864 (IC95% 0,814-0,908) para tratamento em até um ano em 1009 pacientes, superando o estadiamento de Binet isoladamente (ΔAUROC = 0,062; p < 0,001). As análises de SHAP identificaram estadiamento de Binet, β2-microglobulina, DHL, linfócitos absolutos e esplenomegalia como principais variáveis. Para predição do TTFT, o mesmo conjunto apresentou melhor desempenho, com Gradient Boosting Survival alcançando C-index de 0,771 (IC95% 0,734-0,807) e AUROCs de 0,851, 0,844 e 0,834 em 1, 2 e 3 anos, respectivamente. A inclusão de marcadores moleculares e imunofenotípicos aumentou a discriminação, porém reduziu muito o número de casos analisáveis. O modelo de Naïve Bayes com CD38 e albumina atingiu AUROC de 0,902, mas foi restrito a 277 pacientes. Conclusões: Modelos de ML baseados em variáveis disponíveis ao diagnóstico melhoraram a predição individualizada do TTFT na LLC. Um modelo pragmático combinando estadiamento de Binet com 6 variáveis superou o score convencional isolado, com bom desempenho na predição de tratamento em um ano e do TTFT, reforçando o potencial de modelos para ampliar a estratificação de risco e individualizar o manejo de pacientes.",
  "abstract_shown": true,
  "affiliations": [
    "Universidade Federal de São Paulo (UNIFESP), São Paulo, SP, Brasil",
    "Hospital de Transplantes Euryclides de J. Zerbini, São Paulo, SP, Brasil",
    "Instituto do Câncer do Estado de São Paulo (ICESP), Universidade de São Paulo, São Paulo, SP, Brasil",
    "Hospital Amaral Carvalho, Jaú, SP, Brasil",
    "Santa Casa de São Paulo, São Paulo, SP, Brasil",
    "Fundação de Hematologia e Hemoterapia de Pernambuco (HEMOPE), Recife, PE, Brasil",
    "Hemocentro São Lucas, São Paulo, SP, Brasil",
    "AC Camargo Cancer Center, São Paulo, SP, Brasil",
    "Hospital de Clínicas de Porto Alegre, Porto Alegre, RS, Brasil",
    "Hospital Nove de Julho, São Paulo, SP, Brasil",
    "Beneficência Portuguesa de São Paulo, São Paulo, SP, Brasil",
    "Universidade Federal de Minas Gerais, Belo Horizonte, MG, Brasil",
    "Universidade Federal do Ceará, Fortaleza, CE, Brasil",
    "Hospital do Servidor Público Estadual (IAMSPE), São Paulo, SP, Brasil",
    "Universidade Estadual de Campinas (UNICAMP), Campinas, SP, Brasil",
    "Hospital Universitário Pedro Ernesto (UERJ), Rio de Janeiro, RJ, Brasil",
    "Hospital Israelita Albert Einstein São Paulo, SP, Brasil",
    "Hospital Nossa Senhora da Conceição, Porto Alegre, RS, Brasil",
    "Instituto D'Or de Pesquisa e Ensino, São Paulo, SP, Brasil",
    "Hospital Santa Marcelina, São Paulo, SP, Brasil",
    "Clínica AMO, Salvador, BA, Brasil",
    "Hospital Ophir Loyola, Belém, PA, Brasil",
    "Instituto D'Or de Pesquisa e Ensino, Rio de Janeiro, RJ, Brasil",
    "Associação Brasileira de Hematologia, Hemoterapia e Terapia Celular (ABHH), São Paulo, SP, Brasil",
    "Hospital Samaritano, São Paulo, SP, Brasil"
  ],
  "article_type": null,
  "arxiv": null,
  "author_total": 31,
  "authors": [
    {
      "affs": [
        0
      ],
      "name": "Pedro PEREZ"
    },
    {
      "affs": [
        0
      ],
      "name": "Gabriel Goés CUNHA"
    },
    {
      "affs": [
        0
      ],
      "name": "Caio Cesar JUSTINO"
    },
    {
      "affs": [
        0
      ],
      "name": "Fernanda AZEVEDO"
    },
    {
      "affs": [
        1
      ],
      "name": "Leila PEROBELLI"
    },
    {
      "affs": [
        2
      ],
      "name": "Valeria BUCCHERI"
    },
    {
      "affs": [
        3
      ],
      "name": "Maura IKOMA-COLTURATO"
    },
    {
      "affs": [
        4
      ],
      "name": "Sérgio FORTIER"
    },
    {
      "affs": [
        5
      ],
      "name": "Alita AZEVEDO"
    },
    {
      "affs": [
        6
      ],
      "name": "Rodrigo SANTUCCI"
    },
    {
      "affs": [
        7
      ],
      "name": "Talita Maira Bueno DA SILVEIRA"
    },
    {
      "affs": [
        8
      ],
      "name": "Laura FOGLIATTO"
    },
    {
      "affs": [
        9
      ],
      "name": "Vinicius MOLLA"
    },
    {
      "affs": [
        10
      ],
      "name": "Danielle Leão DE FARIAS"
    },
    {
      "affs": [
        11
      ],
      "name": "Glaciano RIBEIRO"
    },
    {
      "affs": [
        12
      ],
      "name": "Fernando BARROSO"
    },
    {
      "affs": [
        13
      ],
      "name": "Vera Lucia FIGUEIREDO"
    },
    {
      "affs": [
        14
      ],
      "name": "Gislaine OLIVEIRA"
    },
    {
      "affs": [
        15
      ],
      "name": "Renata Lyrio BAPTISTA"
    },
    {
      "affs": [
        16
      ],
      "name": "Nelson HAMERSCHLAK"
    },
    {
      "affs": [
        17
      ],
      "name": "Ana Cristina FENILI"
    },
    {
      "affs": [
        18
      ],
      "name": "Abel COSTA"
    },
    {
      "affs": [
        19
      ],
      "name": "Patricia De Paulo GIACON"
    },
    {
      "affs": [
        20
      ],
      "name": "Pedro Amoedo FERNANDES"
    },
    {
      "affs": [
        21
      ],
      "name": "Thiago Xavier CARNEIRO"
    },
    {
      "affs": [
        22
      ],
      "name": "Henrique PÊCEGO"
    },
    {
      "affs": [
        0
      ],
      "name": "André SHIMAOKA"
    },
    {
      "affs": [
        23
      ],
      "name": "Verena PFISTER"
    },
    {
      "affs": [
        24
      ],
      "name": "Carlos Sergio CHIATTONE"
    },
    {
      "affs": [
        0
      ],
      "name": "Alex Freire SANDES"
    },
    {
      "affs": [
        0
      ],
      "name": "Celso ARRAIS-RODRIGUES"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/df2gqp816h85x.bib",
  "cited_by": 0,
  "doi": "10.1016/j.htct.2026.107466",
  "fulltext_url": "http://www.sciencedirect.com/science/article/pii/S2531137926012137",
  "id": "df2gqp816h85x",
  "issns": [
    "2531-1379",
    "2531-1387"
  ],
  "landing_url": "https://doi.org/10.1016/j.htct.2026.107466",
  "language": "en",
  "licence": "CC-BY",
  "licence_label": "CC BY",
  "licence_source": "journal",
  "licence_url": "https://creativecommons.org/licenses/by/4.0/",
  "metadata_licence": null,
  "native_subjects": [
    [
      "lcc",
      "RC633-647.5"
    ],
    [
      "openalex",
      "2739|Acute Lymphoblastic Leukemia research"
    ]
  ],
  "openalex": "W7223081265",
  "pdf_url": null,
  "pmcid": null,
  "pmid": null,
  "published": "2026-10-23",
  "publisher": "Elsevier",
  "ris": "https://research.draconitic.com/paper/df2gqp816h85x.ris",
  "sources": [
    {
      "first_seen": "2026-10-30T13:43:20Z",
      "native_id": "8efd8c36556c46ec90411206225faf53",
      "source": "doaj",
      "url": "https://doi.org/10.1016/j.htct.2026.107466"
    }
  ],
  "subjects": [
    {
      "field": "medicine",
      "origin": "openalex:2739|Acute Lymphoblastic Leukemia research",
      "subfield": "epidemiology-public-health"
    }
  ],
  "title": "PREDIÇÃO DO TEMPO ATÉ O PRIMEIRO TRATAMENTO POR MACHINE LEARNING: ANÁLISE DO REGISTRO BRASILEIRO DE LLC",
  "title_text": "PREDIÇÃO DO TEMPO ATÉ O PRIMEIRO TRATAMENTO POR MACHINE LEARNING: ANÁLISE DO REGISTRO BRASILEIRO DE LLC",
  "type": "peer-reviewed",
  "updated_at": "2026-10-30T13:43:20Z",
  "url": "https://research.draconitic.com/paper/df2gqp816h85x",
  "venue": "Hematology, Transfusion and Cell Therapy",
  "versions": []
}