Inteligência artificial na gestão hemoterápica: Redução global do desperdício de hemocomponentes e a emergência de modelos preditivos que salvam milhões de vidas
DOI:
https://doi.org/10.33448/rsd-v14i12.50249Palavras-chave:
Inteligência Artificial, Serviço de Hemoterapia, Modelos Preditivos de Aprendizagem, Algoritmos de Aprendizado de Máquina, Segurança Transfusional.Resumo
A gestão hemoterápica enfrenta desafios persistentes relacionados à variabilidade da demanda, ao risco de desabastecimento e ao elevado desperdício de hemocomponentes, especialmente plaquetas. Modelos de inteligência artificial vêm se destacando por prever padrões transfusionais e otimizar estoques, oferecendo respostas mais precisas aos sistemas de saúde. Este estudo tem como objetivo investigar como a inteligência artificial está sendo aplicada na gestão de hemocomponentes, com ênfase em dois eixos principais: (1) a redução global do desperdício de hemocomponentes e (2) a emergência de modelos preditivos que efetivamente salvam vidas ao otimizar disponibilidade, logística e uso desses produtos. Mais especificamente, pretende-se revisar a literatura de 2021 a 2025, identificar práticas, tecnologias, resultados e lacunas, e fornecer recomendações para a adoção eficiente e ética dessas soluções no setor da saúde transfusional. Trata-se de uma revisão sistemática híbrida, conduzida conforme PRISMA 2020, que analisou 12 estudos internacionais aplicando IA, machine learning, deep learning ou modelos de otimização à gestão hemoterápica. Os resultados mostram que tais modelos apresentam elevada acurácia na previsão da demanda e contribuem para ajustes mais eficientes de estoque, redução de perdas e racionalização logística. Evidências multicêntricas também apontam aumento da disponibilidade de hemocomponentes e redução de custos operacionais. Conclui-se que a IA constitui uma ferramenta estratégica para aprimorar a eficiência e a segurança transfusional, embora desafios como interoperabilidade, governança de dados e validações em larga escala ainda precisem ser superados.
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 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
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
