Objetivo: Desenvolver um algoritmo baseado em dados de imunofenotipagem por citometria de fluxo, utilizando um painel específico para detecção de plasmócitos anômalos, com a capacidade de identificá-los em amostras clínicas. Métodos: Foram utilizados dados de imunofenotipagem por citometria de fluxo de 19 casos com plasmócitos de fenótipo normal e 69 casos com anomalias fenotípicas plasmocitárias. As expressões dos seguintes marcadores foram avaliadas: CD19, CD20, CD38, CD45, CD56, CD117, CD138, CD200, HLA-DR, cKappa, cLambda. O algoritmo foi treinado para reconhecer as características específicas dos plasmócitos, considerando a heterogeneidade dos casos analisados e a referência das populações normais. A análise foi realizada no R e RStudio, com processamento extensivo dos dados, iniciando pela leitura através do pacote flowCore, com isolamento das populações plasmocitárias com base nos marcadores CD38 e CD138, seguido de clustering através do FlowSOM e estudos para avaliação da heterogeneidade e definição das populações plasmocitárias. Por fim, um modelo de machine learning utilizando Random Forest foi desenvolvido em modelo para a classificação dos plasmócitos. Resultados e discussão: O algoritmo mostrou-se eficaz na identificação rápida de plasmócitos, utilizando os 88 casos como base de treinamento. Foram definidos 10 metaclusters pelo FlowSOM, e o modelo de randomForest demonstrou um desempenho geral excelente, com uma alta acurácia (95,41%, IC entre 93-97%) e um índice Kappa significativo (85%). Embora não tenha sido possível, nesse primeiro estudo piloto, identificar as variações fenotípicas nas populações plasmocitárias devido a baixa frequência das células na maioria das amostras, o algoritmo conseguiu identificar e caracterizar a população de plasmócitos anômalos, alertando o analista para sua presença. A identificação de anormalidades é um controle interno extremamente importante, principalmente para os marcadores CD117 e CD56, além dos marcadores CD19 e variação do CD45 para acompanhamento. O modelo destaca essa população e a aborda de forma intuitiva, permitindo uma rápida tomada de decisão por parte do analista. Conclusão: O algoritmo desenvolvido apresenta uma abordagem inovadora como ferramenta para auxiliar na detecção das células plasmáticas, permitindo maior agilidade na identificação dessas células. No entanto, a capacidade de caracterizar diferentes populações plasmocitárias ainda necessita de aperfeiçoamento, o que será o próximo passo em nosso desenvolvimento.