Predicción de la Demanda de Glóbulos Rojos en un Banco de Sangre de Bogotá mediante Modelos de Machine Learning

Aug 3, 2026

La investigación desarrolla e implementa modelos de machine learning para predecir la demanda de hemocomponentes, con foco en glóbulos rojos, en un banco de sangre de Bogotá. La predicción busca mejorar la gestión y la planeación en la cadena transfusional, evitando escenarios de escasez o exceso de stock. El documento sustenta la necesidad en datos colombianos 2022 y estadísticas distritales donde la demanda satisfecha se ubica por debajo del objetivo del 90%, además del incremento reportado de incineración. Los resultados muestran que las redes neuronales ofrecen mejor desempeño, destacando Bi-GRU para O+ y LSTM para O-.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas28

Tiempo de lectura43 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Palabras clave

Abstract

Keywords

Introducción

Contexto y motivación

Artículo de investigación Predicción de la Demanda de Glóbulos Rojos en un Banco de Sangre de Bogotá através de modelos de Machine Learning Prediction of Red Blood Cell Demand in a Blood Bank in Bogotá through Machine Learning Models Autor 1 (María Pilar Villate Avendaño)1 Autor 2 (Manuel Hernandez Martinez)2 Autor 3 (Carlos Puentes Morales)3 RESUMEN Lograr predecir la demanda de hemocomponentes solicitada a los Bancos de sangre, contribuye a la gestión y planeación en la cadena transfusional mejorando el suministrode unidades sanguíneas. De acuerdo al Informe de Disponibilidad de Recursos en Promoción de la Donación y Colecta de Sangre en Colombia del año 2022 del Instituto Nacional de Salud, los glóbulos rojos del grupo sanguíneo O corresponden al 65.7% delas donaciones aceptadas, siendo el grupo más representativo. Las predicciones inexactas de la demanda pueden llevar a situaciones, ya sea de escasez o exceso de stock dehemocomponentes, en las últimas estadísticas publicadas por la Red Distrital de Sangre la demanda satisfecha está por debajo de la meta distrital del 90%, sumado a que entre 2021 y 2022, la incineración de glóbulos rojos aumentó un 25.2% . Modelosbasados en machine learning y redes neuronales, han mostrado ser efectivos pararealizar predicciones de la demanda. Este tipo de modelos permiten captar patrones no lineales y fluctuaciones estacionales, lo que facilita una planificación más eficiente en 1 Universidad el Bosque, Bogotá, Colombia, Contacto: [mvillate@unbosque.edu.co](mvillate@unbosque.edu.co)[ ](mvillate@unbosque.edu.co)2Universidad el Bosque, Bogotá, Colombia, [Contacto: mshernandez@unbosque.edu.co](Contacto: mshernandez@unbosque.edu.co)[ ](Contacto: mshernandez@unbosque.edu.co)3Universidad el Bosque, Bogotá, Colombia, Contacto: [cpuentesm@unbosque.edu.co](cpuentesm@unbosque.edu.co) escenarios con alta variabilidad. Investigaciones recientes han validado la efectividad de estos modelos en la predicción de productos sanguíneos. Esta investigación tiene como objetivo diseñar e implementar diferentes modelos de machine learning para la predicción de la demanda de glóbulos rojos en un Banco de Sangre de Bogotá . La aplicación de estos modelos contribuye a una mejor planificación de las jornadas de colecta, a reducir el riesgo de desperdicio, y a mejorar la disponibilidad dehemocomponentes. La implementación de los modelos permitió concluir que las redes neuronales, presentan mejores resultados para la predicción de los glóbulos rojos, para el caso del grupo sanguíneo O+ el mejor modelo fue Bi-GRU el cual obtuvo un R2 de 61.96%, MAE de 25.76, RMSE de 32.15 y un PCPS de 94.15% . En el caso de las solicitudes de O-, el modelo LSTM mostró el mejor desempeño en el conjunto de prueba, con un R2 de 55.29%, MAE de 4.090, RMSE de 5.180 y un PCPS de 94.19% . Palabras clave: Redes Neuronales, Grupo Sanguíneo O, Glóbulos Rojos, Machine Learning, LSTM, BI-GRU, Banco de Sangre y Demanda de Sangre. ABSTRACT Predicting the demand for blood components requested by blood banks contributes to the management and planning of the transfusion chain, improving the supply of blood units. According to the 2022 Report on the Availability of Resources in the Promotion of Blood Donation and Collection in Colombia by the National Institute of Health, red blood cells from blood group O account for 65.7% of accepted donations, making it the most representative group. Inaccurate demand predictions can lead to situations of either shortage or excess stock of blood components. In the latest statistics published by the district blood network, the satisfied demand is below the district target of 90%, and between 2021 and 2022, the incineration of red blood cells increased by 25.2% . Machine learning models and neural networks have proven to be effective in improving demand prediction accuracy. These techniques allow for the capture of nonlinear patterns and seasonal fluctuations, facilitating more efficient p

Preguntas frecuentes

¿Cuál es el objetivo del estudio sobre la demanda de glóbulos rojos?

Diseñar e implementar diferentes modelos de machine learning para predecir la demanda de glóbulos rojos en un banco de sangre de Bogotá, con apoyo a la planificación y reducción de desperdicio.

¿Por qué es importante predecir la demanda en bancos de sangre?

Porque las predicciones inexactas pueden generar escasez o exceso de stock de hemocomponentes, afectando el suministro oportuno en la cadena transfusional.

¿Qué modelos funcionaron mejor para los grupos sanguíneos O+ y O-?

Para O+ el mejor desempeño fue Bi-GRU, y para O- el modelo LSTM mostró el mejor resultado en el conjunto de prueba, con métricas reportadas como R², MAE, RMSE y PCPS.

Aug 3, 2026

Subir por Clementine