xgboost

Modelo de inteligência artificial vence prêmio internacional da ASH 2025

Trabalho liderado pelo residente Pedro Perez desenvolve modelo XGBoost baseado em hemograma para prever mortalidade precoce em leucemia mieloide aguda e rende Abstract Achievement Award no congresso mundial da American Society of Hematology​​

O abstract “Xgboost model using diagnostic CBC to predict early mortality in newly diagnosed AML patients” foi contemplado com o ASH Abstract Achievement Award 2025, reconhecimento concedido a trainees com abstracts de alta pontuação apresentados no encontro anual da American Society of Hematology (ASH). O prêmio inclui apoio financeiro e destaca a relevância científica do trabalho entre milhares de submissões globais avaliadas para o 67th ASH Annual Meeting.​​

O estudo, publicado como abstract na revista Blood, analisou 230 adultos com leucemia mieloide aguda (LMA) atendidos em um centro público brasileiro entre 2014 e 2025, focando nos 101 pacientes que receberam quimioterapia de indução intensiva do tipo “7+3”. O objetivo foi prever mortalidade precoce, definida como óbito em até 30 dias após o início da quimioterapia, usando exclusivamente parâmetros do hemograma completo (CBC) na admissão.​

Após análises iniciais com modelos tradicionais e árvores de decisão, o grupo desenvolveu modelos de machine learning, incluindo Support Vector Machine e XGBoost, aplicando técnicas como SMOTE e undersampling para lidar com desbalanceamento de classes. O modelo XGBoost apresentou o melhor desempenho, com área sob a curva ROC de 0,823, sensibilidade de 74% e especificidade de 74%, com desempenho consistente entre diferentes faixas de sexo, idade e raça/etnia.​

Impacto clínico e inovação

A análise com SHAP mostrou que hemoglobina, contagem de monócitos e de basófilos foram os parâmetros de maior peso na previsão de mortalidade precoce, todos obtidos a partir de um exame simples, rápido e de baixo custo. Em cenários de recursos limitados, como grande parte da rede pública, um modelo baseado apenas em hemograma pode apoiar decisões sobre intensificação de monitorização, escolha de esquemas menos intensivos e estratégias de seguimento mais próximas.​

Os autores enfatizam que se trata de um estudo preliminar de centro único e que o próximo passo é validar o modelo em coortes multicêntricas maiores, reduzindo o risco de overfitting e aumentando a robustez e generalização da ferramenta. A proposta alinha-se à tendência internacional de incorporar inteligência artificial à hematologia, explorando dados rotineiros para estratificar risco e personalizar tratamentos.​​

Participação do DIS/EPM 

O trabalho é fruto da colaboração entre o grupo de Leucemias da Escola Paulista de Medicina (EPM/UNIFESP) e o Departamento de Informática em Saúde (DIS/EPM) da Universidade Federal de São Paulo. Integram o estudo os autores Pedro Perez (autor principal), André Shimaoka (DIS/EPM), Antonio da Silva-Junior (DIS/EPM), José Marcio Duarte (DIS/EPM), Renata Queiroz, André Américo, Maria Luíza Dourado, Vinicius de Molla, Gabriel Cunha, Celso Arrais-Rodrigues, Fabio Kerbauy, Paulo Paiva (vice-chefe do DIS/EPM) e Alex Sandes.​ A presença de pesquisadores do DIS/EPM foi decisiva para o desenho metodológico, implementação dos modelos de machine learning e interpretação dos resultados, fortalecendo a integração entre clínica e ciência de dados em saúde. 

“ Muito feliz em representar a Unifesp/EPM no ASH 2025! Destaque para o trabalho de Machine Learning para predição de desfechos em LMA desenvolvido pelo nosso grupo de Leucemias da Escola Paulista de Medicina - EPM/UNIFESP em parceria com o Departamento de Informática em Saúde da Escola Paulista de Medicina – EPM/Universidade Federal de São Paulo ”, afirma o autor principal, Pedro Perez.

Ficha Técnica

Autor: Andréa Pereira Simões Pelogi (Departamento de Informática em Saúde - EPM/Unifesp)
Revisão técnica:
Adaptação para divulgação científica: Andréa Pereira Simões Pelogi (Comunicação)  
Data de Publicação:
Aviso: As informações apresentadas neste artigo têm caráter informativo e não substituem orientação profissional especializada. O Departamento de Informática em Saúde não se responsabiliza por eventuais erros ou interpretações incorretas do conteúdo divulgado.

Referência

https://www.sciencedirect.com/science/article/pii/S0006497125070958