Complications of preterm birth, defined as a birth that occurred before the 37th week of pregnancy, are the most common causes of mortality among children aged 5 years and younger. Premature newborns represent a major challenge for care, which needs to complement their organs that are not yet fully medicated. In the literature, there are several studies that relate the etiology of premature birth to physiological, social and demographic data, understood through data grouping and stratification. In this sense, it is clear the importance of analyzing the variables that influence the occurrence of mortality in preterm infants, associated with machine learning techniques, a branch of Machine Learning that is based on the idea that data can be processed, learned and provide results by devices and, with that, it is possible to identify patterns. Thus, this work uses unsupervised learning techniques to try to stratify the risk of newborn mortality associated with premature births. The work made use of the governmental databases of SINASC (Information Systems on Live Births) and SIM (Information Systems on Mortality), as well as physiological, social and demographic data and, with that, the main factors that can influence the survival of the newborn, which are the number of consultations, APGAR 1, APGAR 5, weight, number of weeks of gestation and the Koltelchuck index.CNPQAs complicações do parto prematuro, definido como um parto que ocorreu antes da 37ª semana de gravidez, são as causas mais comuns de mortalidade entre crianças de 5 anos ou menos. Os bebês nascidos prematuros representam um grande desafio para a assistência médica, que precisa complementar seus órgãos vitais ainda não totalmente desenvolvidos. Na literatura, há a ocorrência de vários estudos que relacionam a etiologia do parto prematuro a dados fisiológicos, sociais e demográficos, compreendidos por meio de agrupamento de dados e estratificação. Nesse sentido, fica clara a importância de analisar as variáveis que influenciam a ocorrência da mortalidade em pré-termos, associadas a técnicas de aprendizagem de máquina, um ramo da Machine Learning que se baseia na ideia de que os dados podem ser processados, aprendidos e fornecer resultados por dispositivos e, com isso, é possível identificar padrões. Assim, este trabalho utiliza técnicas de aprendizagem não supervisionada para tentar estratificar o risco de mortalidade de recém-nascidos associados a partos prematuros. O trabalho fez uso das bases de dados governamentais do SINASC (Sistemas de Informações sobre Nascidos Vivos) e do SIM (Sistemas de Informações sobre Mortalidade), bem como dados fisiológicos, sociais e demográficos e, com isso, foram obtidos os principais fatores que podem influenciar a sobrevivência do recém-nascido, que são o número de consultas, APGAR 1, APGAR 5, peso, quantidade de semanas de gestação e o índice de Koltelchuck.