PREDIÇÃO DO TEMPO ATÉ O PRIMEIRO TRATAMENTO POR MACHINE LEARNING: ANÁLISE DO REGISTRO BRASILEIRO DE LLC

@article{perez2026predição,
  title = {{PREDIÇÃO DO TEMPO ATÉ O PRIMEIRO TRATAMENTO POR MACHINE LEARNING: ANÁLISE DO REGISTRO BRASILEIRO DE LLC}},
  author = {Pedro PEREZ and Gabriel Goés CUNHA and Caio Cesar JUSTINO and Fernanda AZEVEDO and Leila PEROBELLI and Valeria BUCCHERI and Maura IKOMA-COLTURATO and Sérgio FORTIER and Alita AZEVEDO and Rodrigo SANTUCCI and Talita Maira Bueno DA SILVEIRA and Laura FOGLIATTO and Vinicius MOLLA and Danielle Leão DE FARIAS and Glaciano RIBEIRO and Fernando BARROSO and Vera Lucia FIGUEIREDO and Gislaine OLIVEIRA and Renata Lyrio BAPTISTA and Nelson HAMERSCHLAK and Ana Cristina FENILI and Abel COSTA and Patricia De Paulo GIACON and Pedro Amoedo FERNANDES and Thiago Xavier CARNEIRO and Henrique PÊCEGO and André SHIMAOKA and Verena PFISTER and Carlos Sergio CHIATTONE and Alex Freire SANDES and Celso ARRAIS-RODRIGUES},
  journal = {Hematology, Transfusion and Cell Therapy},
  year = {2026},
  month = oct,
  doi = {10.1016/j.htct.2026.107466},
  url = {https://doi.org/10.1016/j.htct.2026.107466},
  note = {CC BY},
}

TY  - JOUR
TI  - PREDIÇÃO DO TEMPO ATÉ O PRIMEIRO TRATAMENTO POR MACHINE LEARNING: ANÁLISE DO REGISTRO BRASILEIRO DE LLC
AU  - Pedro PEREZ
AU  - Gabriel Goés CUNHA
AU  - Caio Cesar JUSTINO
AU  - Fernanda AZEVEDO
AU  - Leila PEROBELLI
AU  - Valeria BUCCHERI
AU  - Maura IKOMA-COLTURATO
AU  - Sérgio FORTIER
AU  - Alita AZEVEDO
AU  - Rodrigo SANTUCCI
AU  - Talita Maira Bueno DA SILVEIRA
AU  - Laura FOGLIATTO
AU  - Vinicius MOLLA
AU  - Danielle Leão DE FARIAS
AU  - Glaciano RIBEIRO
AU  - Fernando BARROSO
AU  - Vera Lucia FIGUEIREDO
AU  - Gislaine OLIVEIRA
AU  - Renata Lyrio BAPTISTA
AU  - Nelson HAMERSCHLAK
AU  - Ana Cristina FENILI
AU  - Abel COSTA
AU  - Patricia De Paulo GIACON
AU  - Pedro Amoedo FERNANDES
AU  - Thiago Xavier CARNEIRO
AU  - Henrique PÊCEGO
AU  - André SHIMAOKA
AU  - Verena PFISTER
AU  - Carlos Sergio CHIATTONE
AU  - Alex Freire SANDES
AU  - Celso ARRAIS-RODRIGUES
PY  - 2026
DA  - 2026/10/23
JO  - Hematology, Transfusion and Cell Therapy
DO  - 10.1016/j.htct.2026.107466
UR  - https://doi.org/10.1016/j.htct.2026.107466
AB  - 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.
SN  - 2531-1379
SN  - 2531-1387
ER  -