Aplicación de la inteligencia artificial en la predicción de la criticidad de las existencias de medicamentos sanguíneos: Un estudio con datos operativos reales
DOI:
https://doi.org/10.33448/rsd-v15i4.50932Palabras clave:
Inteligencia Artificial, Transfusión Sanguínea, Acciones, Modelos de Aprendizaje Predictivo, Seguridad Transfusional.Resumen
La disponibilidad adecuada de componentes sanguíneos es un desafío crítico para los sistemas de salud, especialmente dada la variabilidad en la demanda de atención médica y las limitaciones operativas de los servicios de transfusión sanguínea. El objetivo de este estudio fue aplicar técnicas de inteligencia artificial para predecir la criticidad de las reservas de sangre para transfusión, basándose en el análisis de datos operativos de un centro público de sangre brasileño, de enero a marzo de 2026. Este es un estudio observacional, retrospectivo y analítico con un enfoque cuantitativo, utilizando estadística descriptiva y modelos de aprendizaje automático supervisado, incluyendo Random Forest y XGBoost. Los resultados mostraron patrones estructurados de criticidad, con mayor estabilidad en los concentrados de glóbulos rojos y mayor variabilidad en los concentrados de plaquetas, que presentaron una recurrencia más frecuente de estados críticos y de emergencia. Los modelos demostraron un desempeño satisfactorio en la predicción de los niveles de criticidad, con una alta concordancia entre los valores observados y predichos. Se concluye que la aplicación de la inteligencia artificial representa una herramienta prometedora para anticipar escenarios críticos, optimizar la gestión de las reservas de sangre y apoyar la toma de decisiones, contribuyendo a la seguridad transfusional y la eficiencia de los servicios de salud.
Referencias
Abolghasemi, H., et al. (2010). Blood donor incentives: A step forward or backward. Asian Journal of Transfusion Science, 4(1), 9–13.
Agresti, A. (2010). Analysis of ordinal categorical data (2nd ed.). Wiley.
Brasil. Ministério da Saúde. (2011). Guia nacional de gerenciamento de estoque de sangue em situações de emergência. Ministério da Saúde.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Chandler, T., et al. (2020). Blood inventory management: Hospital best practices. Transfusion Medicine Reviews, 34(3), 181–188.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM.
Estcourt, L. J., et al. (2017). Platelet transfusions for preventing bleeding in people with haematological disorders after chemotherapy and stem cell transplantation. Cochrane Database of Systematic Reviews, (7).
Field, A. (2013). Discovering statistics using IBM SPSS statistics (4th ed.). Sage.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer.
Karakatsanis, A., et al. (2021). Forecasting blood demand: A systematic review. Vox Sanguinis, 116(2), 109–121.
Klein, H. G., et al. (2019). Biomedical excellence for safer transfusion. The New England Journal of Medicine, 381(6), 509–511.
Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. Springer.
McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference (pp. 56–61). SciPy.
Pedregosa, F., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Pereira et al. (2018). Metodologia da pesquisa científica. [Free ebook]. Editora da UFSM.
Pierskalla, W. P. (2005). Supply chain management of blood banks. Operations Research, 53(5), 769–784.
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. The New England Journal of Medicine, 380(14), 1347–1358.
Risemberg, R. I. C., Wakin, M., & Shitsuka, R. (2026). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica, 7(1), e0171675. https://doi.org/10.52076/eacad-v7i1.675.
Sibinga, C. T. S. (2020). Artificial intelligence in transfusion medicine and its impact on the quality concept. Transfusion and Apheresis Science, 59(6), e103021.
Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437.
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Weber de Santana Teles, Max Cruz da Silva, Elaine Cristina Posener Araújo, Ádamo Newton Marinho Andrade, Lana Elise de Santana Santos, Cauã Marx Nascimento de Carvalho, Raphael Davisson Lopes Santos, Sales de Oliveira Farias, Abraão Soares Silva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
