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

Year: 2026

Type: article

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.

Source: Hematology Transfusion and Cell Therapy

DOI: 10.1016/j.htct.2026.107466

Language: English

Topic: Chronic Lymphocytic Leukemia Research

Subfield: Hematology

Field: Medicine

Domain: Health Sciences

SDG: Good health and well-being

Open Access status: diamond

OpenAlex ID: W7223081265

Predição Do Tempo Até O Primeiro Tratamento Por Machine Learning: Análise Do Registro Brasileiro De Llc