Introdução: A mortalidade neonatal representa o maior componente da mortalidade infantil. Portanto, modelos preditivos para prever o risco de óbito em neonatos são altamente recomendados, especialmente entre recém-nascidos pré-termo. Apesar da relevância do tema, há poucos modelos utilizando critérios objetivos para avaliar o risco de óbito em tempo real nesta população. Objetivo: Avaliar a utilidade do lactato sérico como preditor de mortalidade em recém-nascidos pré-termo com peso de nascimento inferior a 1000 gramas. Métodos: Estudo de coorte retrospectivo, analisando recém-nascidos pré-termo com peso de nascimento menor que 1000 gramas admitidos em unidade de terapia intensiva neonatal terciária de centro único em São Paulo, Brasil, no período de seis anos. Foram incluídos todos os recém-nascidos com peso de nascimento < 1000 g, com pelo menos uma gasometria arterial com dosagem simultânea de lactato sérico coletados durante a internação. Foram excluídos os recém-nascidos que faleceram em sala de parto, recém-nascidos portadores de malformação maior e aqueles transferidos para outro serviço antes da alta. Foram utilizadas técnicas de inteligência artificial, com análise dos parâmetros preditivos através de algoritmos de Machine Learning. As variáveis analisadas foram gasometria arterial (pH, pCO2, HCO3 e base excess), lactato sérico e características clínicas (peso, idade gestacional, pequeno para a idade gestacional, escore CRIB II, sexo feminino, Apgar, via de parto, gemelaridade, corticóide antenatal, intubação endotraqueal na sala de parto, necessidade de epinefrina na sala de parto, corioamnionite e menor temperatura nas primeiras 12 horas de vida). Foi comparada a performance de três métodos diferentes de Machine Learning, para avaliar o risco de óbito em 24 horas: Regressão Logística, Extreme Gradient Boosting e AutoML Tables. Os dados foram randomicamente divididos em dois subgrupos: um subgrupo de treinamento (80%) para aperfeiçoamento de hiperparametros para criação de um modelo plausível e um subgrupo de teste (20%) para avaliar a performance do modelo. Após a determinação dos hiperparametros ideais foram calculados os valores de precisão, a área sob a curva (ROC), recall e acurácia. Todas as análises foram realizadas usando Python versão 3.6.9 e Google Cloud Platform. Resultados: Foram incluídos 257 neonatos. A mediana da idade gestacional foi de 27,1 (26 29,1) semanas e a mediana do peso ao nascer foi de 746 (600 880) gramas. Houve 1.932 amostras de gasometria com níveis séricos de lactato correspondentes. O modelo Extreme Gradient Boosting com lactato obteve a maior área sob a curva (0.898). Base excesso, lactato e pH foram, em ordem de importância, as variáveis mais importantes associadas a mortalidade em 24 horas. Conclusão: Em recém-nascidos pré-termo de extremo baixo peso, a incorporação de medidas de lactato e gasometria arterial em modelos preditivos de mortalidade pode melhorar a estratificação de risco em tempo real. Os modelos tradicionais de classificação logística parecem ser superados pelos algoritmos de aprendizado de máquina. Demonstramos que os modelos de algoritmos de aprendizado de máquina Extreme Gradient Boosting pode ser ferramenta de apoio importante na tomada de decisões mais precisas e rápidas e na estratificação de risco clínico em unidade de terapia intensiva neonatal

Introduction: Neonatal mortality represents the largest component of child mortality. Therefore, predictive models to predict the risk of death in neonates are highly recommended, especially among preterm neonates. Despite the relevance of the topic, there are few models using objective criteria to assess the risk of death in real time in this population. Objective: To evaluate the practicability of serum lactate as a predictor of mortality in preterm newborns with birth weight below 1000 grams. Methods: A retrospective cohort study analyzing preterm newborns with birth weight less than 1000 grams admitted to a single-center tertiary neonatal intensive care unit in São Paulo, Brazil, over a six-year period. All newborns with birth weight less than 1000 grams, with at least one arterial blood gas analysis with simultaneous measurement of serum lactate collected during hospitalization were included. Newborns who died in the delivery room, newborns with major malformations and those transferred to another service before discharge were excluded. Artificial intelligence techniques were used, with analysis of predictive models through Machine Learning algorithms. The variables analyzed were arterial blood gas analysis (pH, pCO2, HCO3 and base excess), serum lactate and clinical characteristics (weight, gestational age, small for gestational age, CRIB II score, female sex, Apgar, mode of delivery, twin birth, antenatal corticosteroids, endotracheal intubation in the delivery room, epinephrine in the delivery room necessity, chorioamnionitis and lowest temperature in the first 12 hours of life). The performance of three different Machine Learning methods to assess the risk of death in 24 hours was compared: Logistic Regression, Extreme Gradient Boosting and AutoML Tables. The data were randomly divided into two subgroups: a training subgroup (80%) to improve hyperparameters to create a plausible model and a test subgroup (20%) to evaluate the model's performance. After determining the ideal hyperparameters, precision values, area under the curve (ROC), recall and accuracy were calculated. All analyzes were performed using Python version 3.6.9 and Google Cloud Platform. Results: 257 neonates were included. The median gestational age was 27.1 (26 29.1) weeks and the median birth weight was 746 (600 880) grams. There were 1932 blood gas samples with corresponding serum lactate levels. The Extreme Gradient Boosting model with lactate had the highest area under the curve (0.898). Base excess, lactate and pH were, in order of importance, the most important variables associated with 24-hour mortality. Conclusion: In extremely low birth weight preterm infants, the incorporation of lactate and arterial blood gas measurements into predictive models of mortality can improve real-time risk stratification. Traditional logistic classification models seem to be surpassed by machine learning algorithms. We demonstrated that Extreme Gradient Boosting machine learning algorithm models can be an important support tool in making more accurate and faster decisions and in clinical risk stratification in a neonatal intensive care unit