{
  "abstract": "Introdução: A gestão de hemocomponentes exige equilíbrio entre disponibilidade, atendimento da demanda e redução de perdas. A análise mensal isolada pode dificultar a identificação de tendências e a antecipação de necessidades. A inteligência artificial (IA), associada a métodos estatísticos, pode apoiar a consolidação dos indicadores, a interpretação dos padrões e a elaboração de estimativas operacionais, sem substituir a avaliação técnica do profissional. Objetivos: Avaliar a aplicação da IA na análise histórica do consumo e das perdas de concentrados de hemácias (CH) e componentes plaquetários, visando subsidiar estimativas operacionais e ações para o planejamento estratégico do estoque de uma Agência Transfusional hospitalar. Material e métodos: Estudo retrospectivo, descritivo e quantitativo, baseado em 25 boletins mensais, de junho de 2024 a junho de 2026. Foram analisadas as unidades recebidas, transfundidas e perdidas de CH, concentrado de plaquetas e plaquetas por aférese. Os dados anonimizados foram consolidados e submetidos a fluxo analítico assistido por IA, mediante comandos padronizados, com conferência manual dos resultados. Aplicaram-se total, média mensal, desvio-padrão, coeficiente de variação, identificação de máximos e mínimos e comparação entre os ciclos julho/2024-junho/2025 e julho/2025-junho/2026. A estimativa para os 12 meses subsequentes considerou o comportamento do ciclo mais recente e a variação anual observada. Resultados: No período total, foram transfundidas 7.560 unidades de CH, média de 302,4/mês, com coeficiente de variação de 15,5%; ocorreram 218 perdas. As transfusões de CH aumentaram de 3.452 para 3.799 unidades entre os ciclos anuais, variação de 10,1%, enquanto as perdas passaram de 80 para 134 unidades, aumento de 67,5%. Para componentes plaquetários, foram transfundidas 5.310 unidades, média de 212,4/mês e coeficiente de variação de 30,0%; registraram-se 1.230 perdas. O consumo anual permaneceu estável, de 2.518 para 2.515 unidades (-0,1%), porém as perdas aumentaram de 351 para 868 unidades (147,3%). Os maiores consumos mensais foram 369 unidades de CH, em outubro de 2025, e 364 componentes plaquetários, em agosto de 2024. Considerando a tendência anual, estimou-se demanda central aproximada de 4.181 unidades de CH e 2.512 componentes plaquetários para os 12 meses seguintes. Discussão: A menor variabilidade do CH indica demanda mais previsível, porém com tendência de crescimento. Os componentes plaquetários apresentaram maior oscilação e expressivo aumento das perdas, apesar da estabilidade do consumo, sugerindo oportunidade prioritária de revisão dos parâmetros de abastecimento, monitoramento de validade e redistribuição. A IA facilitou a consolidação e a leitura crítica dos indicadores, mas as estimativas devem ser contextualizadas conforme perfil assistencial, estoque disponível e suporte do serviço fornecedor. Conclusão: A associação entre IA e análise estatística transformou dados históricos em informações aplicáveis ao planejamento. Os achados indicaram necessidade de expansão cautelosa da previsão de CH e de intervenção imediata sobre as perdas plaquetárias, apoiando decisões de estoque mais proativas, seguras e baseadas em evidências.",
  "abstract_shown": true,
  "affiliations": [
    "Grupo GSH, Ribeirão Preto, SP, Brasil",
    "Grupo GSH, Brasília, DF, Brasil"
  ],
  "article_type": null,
  "arxiv": null,
  "author_total": 3,
  "authors": [
    {
      "affs": [
        0
      ],
      "name": "Lidiane Cristina Medeiros SILVA"
    },
    {
      "affs": [
        0
      ],
      "name": "Maria Isabel Ayrosa MADEIRA"
    },
    {
      "affs": [
        1
      ],
      "name": "João Paulo Lima AMORIM"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/2k4nj1mghrkvd.bib",
  "cited_by": 0,
  "doi": "10.1016/j.htct.2026.107279",
  "fulltext_url": "http://www.sciencedirect.com/science/article/pii/S2531137926010266",
  "id": "2k4nj1mghrkvd",
  "issns": [
    "2531-1379",
    "2531-1387"
  ],
  "landing_url": "https://doi.org/10.1016/j.htct.2026.107279",
  "language": "en",
  "licence": "CC-BY",
  "licence_label": "CC BY",
  "licence_source": "journal",
  "licence_url": "https://creativecommons.org/licenses/by/4.0/",
  "metadata_licence": null,
  "native_subjects": [
    [
      "lcc",
      "RC633-647.5"
    ],
    [
      "openalex",
      "1404|Supply Chain and Inventory Management"
    ]
  ],
  "openalex": "W7223153264",
  "pdf_url": null,
  "pmcid": null,
  "pmid": null,
  "published": "2026-10-23",
  "publisher": "Elsevier",
  "ris": "https://research.draconitic.com/paper/2k4nj1mghrkvd.ris",
  "sources": [
    {
      "first_seen": "2026-10-30T13:43:30Z",
      "native_id": "21cb6cb5378547a38784d2cdde273d87",
      "source": "doaj",
      "url": "https://doi.org/10.1016/j.htct.2026.107279"
    }
  ],
  "subjects": [
    {
      "field": "medicine",
      "origin": "lcc:RC633-647.5",
      "subfield": "endocrinology-metabolism"
    }
  ],
  "title": "DA ANÁLISE HISTÓRICA À ESTIMATIVA OPERACIONAL: APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NO PLANEJAMENTO ESTRATÉGICO DE ESTOQUE EM AGÊNCIA TRANSFUSIONAL",
  "title_text": "DA ANÁLISE HISTÓRICA À ESTIMATIVA OPERACIONAL: APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NO PLANEJAMENTO ESTRATÉGICO DE ESTOQUE EM AGÊNCIA TRANSFUSIONAL",
  "type": "peer-reviewed",
  "updated_at": "2026-10-30T13:43:30Z",
  "url": "https://research.draconitic.com/paper/2k4nj1mghrkvd",
  "venue": "Hematology, Transfusion and Cell Therapy",
  "versions": []
}