La leucemia linfoblástica aguda (LLA) presenta desafíos clínicos significativos debido a su complejidad genética y altas tasas de recaída. Si bien resultados como la duración de la estancia (LOS), la mortalidad y los cargos totales (TCs) son indicadores críticos de calidad, la mayoría de los modelos existentes se basan en datos estáticos y modelado de resultados separados. Este estudio utilizó la Muestra Nacional de Pacientes Hospitalizados (NIS) de HCUP para desarrollar un modelo de predicción dinámico y concurrente para la prolongación de la estancia y la mortalidad (PLOSM), junto con un marco para los TCs. Al integrar información del paciente actualizada temporalmente, el enfoque concurrente superó a los modelos de un solo resultado. Dentro de los primeros siete días de hospitalización, el modelo logró una precisión y exactitud superiores al 90%, con una recuperación y puntuaciones F1 que superaron el 80%. Los principales predictores de estos resultados incluyeron la edad, la raza, el tipo de seguro, los indicadores financieros y el estado de cirugía electiva. Notablemente, tanto la prolongación de la estancia como la mortalidad fueron impulsores significativos de los TCs. Al unir el modelado predictivo y los datos clínicos en tiempo real, este marco permite la toma de decisiones basada en datos para optimizar la gestión del paciente, mejorar la seguridad y mitigar la carga financiera del cuidado de la LLA.