DA ANÁLISE HISTÓRICA À ESTIMATIVA OPERACIONAL: APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NO PLANEJAMENTO ESTRATÉGICO DE ESTOQUE EM AGÊNCIA TRANSFUSIONAL
- 1Grupo GSH, Ribeirão Preto, SP, Brasil
- 2Grupo GSH, Brasília, DF, Brasil
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.
Related
- PLANEJAMENTO E GESTÃO TRANSFUSIONAL EM PACIENTE COM MÚLTIPLOS ANTICORPOS
- PERFIL CLÍNICO E TRANSFUSIONAL DE PACIENTES INTERNADOS COM ANEMIA: ETAPA FUNDAMENTAL PARA O PLANEJAMENTO DO PATIENT BLOOD MANAGEMENT (PBM)
- INTELIGÊNCIA ARTIFICIAL NA DETECÇÃO PRECOCE DE COÁGULOS EM BOLSAS DE CONCENTRADO DE HEMÁCIAS: IMPACTOS NA SEGURANÇA TRANSFUSIONAL
- Respuesta a los comentarios sobre el modelo electrocardiográfico basado en inteligencia artificial para la detección de infarto de miocardio por oclusión coronaria aguda
- ABSENTEÍSMO NA DISPENSAÇÃO DE ANTINEOPLÁSICOS ORAIS: INDICADOR ESTRATÉGICO PARA A GESTÃO FARMACÊUTICA EM ONCOLOGIA
BibTeX
@article{silva2026análise,
title = {{DA ANÁLISE HISTÓRICA À ESTIMATIVA OPERACIONAL: APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NO PLANEJAMENTO ESTRATÉGICO DE ESTOQUE EM AGÊNCIA TRANSFUSIONAL}},
author = {Lidiane Cristina Medeiros SILVA and Maria Isabel Ayrosa MADEIRA and João Paulo Lima AMORIM},
journal = {Hematology, Transfusion and Cell Therapy},
year = {2026},
month = oct,
doi = {10.1016/j.htct.2026.107279},
url = {https://doi.org/10.1016/j.htct.2026.107279},
note = {CC BY},
}
RIS
TY - JOUR
TI - DA ANÁLISE HISTÓRICA À ESTIMATIVA OPERACIONAL: APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NO PLANEJAMENTO ESTRATÉGICO DE ESTOQUE EM AGÊNCIA TRANSFUSIONAL
AU - Lidiane Cristina Medeiros SILVA
AU - Maria Isabel Ayrosa MADEIRA
AU - João Paulo Lima AMORIM
PY - 2026
DA - 2026/10/23
JO - Hematology, Transfusion and Cell Therapy
DO - 10.1016/j.htct.2026.107279
UR - https://doi.org/10.1016/j.htct.2026.107279
AB - 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.
SN - 2531-1379
SN - 2531-1387
ER -