Aplicação de inteligência artificial na previsão de criticidade de estoques hemoterápicos: Um estudo com dados operacionais reais
DOI:
https://doi.org/10.33448/rsd-v15i4.50932Palavras-chave:
Estoque, Hemoterapia, Inteligência Artificial, Modelos Preditivos de Aprendizagem, Segurança Transfusional.Resumo
A disponibilidade adequada de hemocomponentes constitui um desafio crítico para os sistemas de saúde, especialmente diante da variabilidade da demanda assistencial e das limitações operacionais dos serviços hemoterápicos. O objetivo deste estudo foi aplicar técnicas de inteligência artificial na previsão da criticidade de estoques hemoterápicos, a partir da análise de dados operacionais de um hemocentro público brasileiro, no período de janeiro a março de 2026. Trata-se de um estudo observacional, retrospectivo e analítico, com abordagem quantitativa, utilizando estatística descritiva e modelos de aprendizado de máquina supervisionado, incluindo Random Forest e XGBoost. Os resultados evidenciaram padrões estruturados de criticidade, com maior estabilidade nos concentrados de hemácias e maior variabilidade nos concentrados de plaquetas, que apresentaram recorrência mais frequente de estados críticos e de emergência. Os modelos demonstraram desempenho satisfatório na predição dos níveis de criticidade, com elevada concordância entre valores observados e previstos. Conclui-se que a aplicação de inteligência artificial representa uma ferramenta promissora para antecipação de cenários críticos, otimização da gestão dos estoques hemoterápicos e apoio à tomada de decisão, contribuindo para a segurança transfusional e eficiência dos serviços de saúde.
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 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
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.
