Introdução: Sepse é uma disfunção orgânica causada por uma resposta desregulada do hospedeiro a uma infecção (Singer et al. 2016) com alta mor-talidade (Rudd et al. 2020) cujo diagnóstico é feito pelo escore da pontuação sequencial de avaliação de falência orgânica (SOFA). Intervenções realizadas nos pacientes sépticos em momentos oportunos resultam em menor morbimortali¬dade e menor tempo de hospitalização (Barwise et al. 2016; Seymour et al. 2017). Para melhorar o atendimento ao paciente séptico e evitar o agravamento da doença é importante o desenvolvimento de modelos não enviesados e preditivos e sistemas de apoio a tomada de decisões para que estas sejam mais direcionadas e eficientes (Bulgarelli et al. 2020). Alguns modelos tentam predizer mortalidade em tempo real e obtêm área sob a curva característica de operação do receptor (AUROC) de até 0.920 quando usam aprendizado de máquina (ML) (Johnson e Mark 2017). Outros modelos trabalham na predição do diagnóstico de sepse em tempo real e em modelos de aprendizado de máquina obtêm AUROC entre 0.680 e 0,990. Métodos: Usando dados do MIMIC TV, selecionamos pacientes no momento em que apresentam escore SOFA >=2 e suspeita de infecção. Filtra¬mos dados referentes às 48 posteriores a esse momento e por meio de algoritmos de ML avaliamos parâmetros que podem ser preditivos de mortalidade geral e mortalidade extra-hospitalar. Resultados: O experimento (i) com todos variáveis que apresentavam menos de 10 % de dados faltantes obteve AUROC entre 0.66 e 0.74 (floresta aleatória). O experimento (ii) com variáveis importantes na sepse, obteve AUROC entre 0.62 e 0.72. O experimento (iii) com as variáveis com melhor desempenho individual obteve AUROC de 0.74 na predição de mortalidade extra hospitalar. O experimento (iv) com as variáveis do experimento iii e valores de CD4 e CD8, obteve AUROC de 0.93 na predição de mortalidade extra hospitalar. O experimento (v) com as variáveis com a razão CD4/CD8, obteve AUROC de 0.96 na predição de mortalidade extra hospitalar. Conclusões: O uso de variáveis coletadas rotineiramente podem contribuir para a construção e melhora da proba-bilidade de acerto de modelos que predizem mortalidade de pacientes com sepse, especialmente se incluir variáveis imunes como CD4 e CD8

Introduction: Sepsis is an organ dysfunction caused by a dysregulated host ressponse to an infection (Singer et al. 2016) with high mortality (Rudd et al. 2020) whose diagnosis is made by the score in the sequential organ failure assessment (SOFA). Interventions made on septic patients at appropriate times result in less morbidity and mortality and shorter hospital stays (Barwise et al. 2016; Seymour et al. 2017). In order to improve care for septic patients and prevent the disease from worsening, it is important to develop unbiased and predictive models and decision support systems to make them more directed and efficient (Bulgarelli et al. 2020). Some models try to predict mortality in real time and obtain area under the receiver operating characteristic (AUROC) up to 0.920 when using machine learning (ML) (Johnson and Mark 2017). Other models work in the prediction of the diagnosis of sepsis in real time and in machine learning models obtain AUROC between 0.680 and 0.990. Methods: Using MIMIC data, we selected patients at the moment they have a SOFA score >=2 and suspicion of infection. We obtained the data from 48 hours after that moment and through ML algorithms we evaluated parameters that can be predictive of mortality and out-of-horpital mortality. Results: The experiment (i) with all variables that had less than 10% of missing data obtained AUROC between 0.66 and 0.74 (random forest). Experiment (ii) with important variables in sepsis, obtained AUROC between 0.62 and 0.72. Experiment (iii) with the variables with the best individual performance obtained an AUROC of 0.74 in predicting out-of-hospital mortality. Experiment (iv) with the variables of experiment iii and CD4 and CD8 values obtained an AUROC of 0.93 in predicting out-of-hospital mortality. Experiment (v) with CD4/CD8 ratio obtained an AUROC of 0.96 in predicting out-of-hospital mortality. Conclusions: The use of routinely collected variables can contribute to the construction and improvement of the probability of success of models that predict mortality in patients with sepsis, especially if they include immune variables such as CD4 and CD8