Inteligencia artificial en la gestión de las transfusiones sanguíneas: Reducción global del desperdicio de componentes sanguíneos y surgimiento de modelos predictivos que salvan millones de vidas
DOI:
https://doi.org/10.33448/rsd-v14i12.50249Palabras clave:
Inteligencia Artificial, Servicio de Transfusión Sanguínea, Modelos de Aprendizaje Predictivo, Algoritmos de Aprendizaje Automático, Seguridad Transfusional.Resumen
La gestión de las transfusiones sanguíneas se enfrenta a retos persistentes relacionados con la variabilidad de la demanda, el riesgo de escasez y los altos niveles de desperdicio de componentes sanguíneos, especialmente plaquetas. Los modelos de inteligencia artificial se han destacado por predecir patrones de transfusión y optimizar las existencias, ofreciendo respuestas más precisas a los sistemas sanitarios. Este estudio tiene como objetivo investigar cómo se está aplicando la inteligencia artificial a la gestión de componentes sanguíneos, con énfasis en dos ejes principales: (1) la reducción general del desperdicio de componentes sanguíneos y (2) la aparición de modelos predictivos que salvan vidas de forma eficaz al optimizar la disponibilidad, la logística y el uso de estos productos. Más específicamente, pretende revisar la literatura de 2021 a 2025, identificar prácticas, tecnologías, resultados y brechas, y proporcionar recomendaciones para la adopción eficiente y ética de estas soluciones en el sector sanitario transfusional. Se trata de una revisión sistemática híbrida, realizada de acuerdo con PRISMA 2020, que analizó 12 estudios internacionales que aplican IA, aprendizaje automático, aprendizaje profundo o modelos de optimización a la gestión de las transfusiones sanguíneas. Los resultados muestran que estos modelos presentan una alta precisión en la previsión de la demanda y contribuyen a ajustes de inventario más eficientes, reducción de pérdidas y optimización logística. La evidencia multicéntrica también apunta a una mayor disponibilidad de componentes sanguíneos y una reducción de los costos operativos. Se concluye que la IA constituye una herramienta estratégica para mejorar la eficiencia y la seguridad transfusional, aunque aún quedan desafíos por superar, como la interoperabilidad, la gobernanza de datos y las validaciones a gran escala.
Referencias
Abouee-Mehrizi, H., et al. (2022). Data-driven platelet inventory management under uncertainty. IISE Transactions on Healthcare Systems Engineering, 12(4), 233–247.
Agac, M. F., et al. (2025). Simulation of cloud-based blood supply chain: A system dynamics approach. Simulation.
Ansari, M., et al. (2024). AI-powered logistics in transfusion supply chains: A global analysis. Computers in Biology and Medicine, 168.
Ben Elmir, M., et al. (2023). Forecasting demand in blood supply chain using machine learning. Information, 14(1), 31.
Caicedo-Rolon, E., et al. (2022). Modeling platelet shelf-life and logistics: Challenges in transfusion medicine. Transfusion Medicine, 32, 54–63.
Cardona, P., et al. (2025). Artificial intelligence techniques in blood banks. Acta Haematologica Polonica, 56(4), 299–308.
Cognasse, F., et al. (2025). Emerging challenges in transfusion safety and inventory management. Transfusion Clinique et Biologique.
Douaioui, H., et al. (2024). Machine learning and deep learning models for demand forecasting in supply chain management: A critical review. Algorithms, 17(5), 93.
Farrington, C., et al. (2024). Many happy returns: Machine learning to support platelet issuing and waste reduction in hospital blood banks. arXiv preprint.
Feng, M.-X., et al. (2025). Platelet demand forecasting based on SARIMA model. Transfusion and Apheresis Science.
Ghouri, O., et al. (2023). Real-time donor engagement using AI-driven mobile systems. Healthcare Analytics, 3.
Ito, Y., et al. (2023). Evaluating inventory management policies of platelets at regional-block blood centers in Japan. Operations Research for Health Care, 40.
Kwon, H., et al. (2024). Forecasting blood demand using machine learning and national statistics: A Korean approach. Scientific Reports, 14.
Li, Z., et al. (2023). Forecasting demand in blood supply chain using data-driven models. Computers & Industrial Engineering, 183, 109281.
Maynard, S., et al. (2024). Machine learning in transfusion medicine: A scoping review. Transfusion Medicine Reviews, 38, 102–119.
Motamedi, A., et al. (2025). Enhancing platelet inventory management using predictive models: A multivariate forecast-based approach. BMC Health Services Research.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. Santa Maria: Editora da UFSM.
Sarvestani, S., et al. (2022). Hybrid ARIMA–ANN models for predicting RBC demand by blood group. Journal of Ambient Intelligence and Humanized Computing, 13, 567–579.
Schneider, D., et al. (2024). Artificial intelligence-based forecasting of blood product usage in hospitals: A systematic evaluation. Vox Sanguinis, 119(3), 345–356.
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339.
Yang, H., et al. (2023). Deep learning models for predicting transfusion requirements in surgical patients. Journal of Medical Systems, 47(2), 112–121.
Wong, J., et al. (2024). Integrating AI-driven inventory optimization in national blood services: A multicenter evaluation. Transfusion, 64(1), 52–67.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Weber de Santana Teles, Max Cruz da Silva, Douglas Abilio, Ana Paula Barreto Prata Silva, Mariamália Newton Andrade, Orleane Souza Rezende, Ádamo Newton Marinho Andrade, Raphael Davisson Lopes Santos, Lorena Eugênia Rosa Coelho, Rute dos Santos Souza
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.
