Aprendizaje profundo mejorado con grafos de conocimiento para la previsión de la demanda farmacéutica

Por qué importan previsiones de medicamentos más inteligentes

Hospitales, farmacias y pacientes dependen de disponer de los medicamentos adecuados en el momento oportuno. Pedir demasiado poco puede dejar fármacos vitales fuera de stock cuando se necesitan con urgencia. Pedir demasiado provoca que los estantes se llenen de productos que caducan y suponen un desperdicio económico. El reto es que la demanda de medicamentos varía con las temporadas de gripe, nuevos brotes, cambios en las guías y en la forma en que los médicos sustituyen o combinan fármacos. Este artículo presenta una nueva forma de prever la demanda farmacéutica que utiliza tanto inteligencia artificial avanzada como conocimiento médico estructurado para hacer las cadenas de suministro sanitarias más fiables y eficientes.

Límites de las herramientas de previsión actuales

Muchos hospitales y proveedores siguen confiando en modelos estadísticos tradicionales que asumen que la demanda sigue tendencias relativamente suaves y previsibles. Estos métodos tratan cada medicamento como si viviera en su propio mundo, sin tener en cuenta cómo un fármaco puede sustituir o complementar a otro. Los modelos más modernos de aprendizaje automático y aprendizaje profundo, como las redes neuronales, manejan mejor las oscilaciones en los datos de series temporales, pero también suelen centrarse únicamente en los números de ventas pasadas. Como resultado, a menudo pasan por alto una parte importante de la historia: cómo eligen realmente los médicos entre distintos fármacos al tratar la misma enfermedad, especialmente cuando existen sustitutos o combinaciones comunes.

Añadir un mapa de cómo se relacionan los fármacos

Los autores abordan este problema construyendo un “grafo de conocimiento” para productos farmacéuticos: una especie de mapa que enlaza fármacos, síntomas y enfermedades. En este grafo, cada nodo representa un fármaco o un síntoma, y cada conexión representa una relación del mundo real, como un antibiótico que sustituye a otro o una vitamina que se prescribe habitualmente junto con un remedio para el resfriado. Al fundamentar la previsión en este mapa estructurado, el modelo puede ver que si la demanda de un fármaco sube o baja, la demanda de sus sustitutos cercanos o de sus compañeros típicos también puede cambiar. Esto convierte registros de ventas dispersos en una imagen conectada de cómo interactúan los tratamientos en la práctica.

Cómo funciona el modelo híbrido de IA

Para convertir este mapa y el historial de ventas en previsiones, el estudio propone un modelo híbrido llamado KG‑GCN‑LSTM. Primero, una red convolucional de grafos (GCN) hace fluir información a lo largo de los enlaces del grafo de conocimiento para que la representación de cada fármaco refleje no solo su propia historia sino también el comportamiento de fármacos relacionados. Un paso especial de “recorte” centra luego el modelo en el fármaco objetivo, reduciendo el ruido procedente de vecinos menos relevantes. Después, una red de memoria a largo plazo (LSTM), un tipo de red neuronal recurrente diseñada para secuencias, procesa los datos enriquecidos de demanda semanal para aprender patrones temporales, como estacionalidad, crecimiento gradual y picos repentinos. Finalmente, una capa de salida sencilla convierte estos patrones aprendidos en predicciones de demanda futura.

Pruebas en el mundo real en una farmacia concurrida

Los investigadores probaron su enfoque con más de medio millón de registros de ventas de una farmacia indonesia, que abarcan más de 200 productos. Limpiaron y agregaron los datos en demanda semanal, filtraron artículos con historiales muy cortos y construyeron el grafo de conocimiento usando clasificaciones internacionales de fármacos e interacciones fármaco‑fármaco conocidas. El nuevo modelo se comparó entonces con una amplia gama de técnicas consolidadas, desde ARIMA clásico y regresión con máquinas de vectores de soporte hasta sistemas modernos de aprendizaje profundo como CNN‑LSTM, N‑BEATS y TimeMixer. En varias medidas de error estándar, el modelo mejorado con conocimiento ofreció las previsiones más precisas en conjunto, reduciendo el error relativo en alrededor de 3,6 puntos porcentuales frente a una sólida línea base de aprendizaje profundo y igualando el rendimiento del enfoque TimeMixer más reciente, mientras resultaba más interpretable y más adecuado para fármacos con historial limitado.

Qué significa esto para pacientes y proveedores

Para los no especialistas, el mensaje principal es claro: cuando las herramientas de previsión entienden no solo “cuánto se vendió de cada fármaco” sino también “cómo se relacionan los fármacos entre sí en el uso médico real”, pueden anticipar mejor las necesidades futuras. El modelo KG‑GCN‑LSTM demuestra que integrar conocimiento de dominio en la IA puede reducir las faltas de stock y el exceso de inventario, ayudando a las farmacias a mantener medicamentos esenciales en estantería sin inmovilizar fondos innecesarios. Aunque construir y mantener grafos de conocimiento de alta calidad sigue requiriendo esfuerzo, este estudio apunta a un futuro en el que algoritmos más inteligentes y conscientes del conocimiento respalden de forma discreta cadenas de suministro sanitarias más resilientes y rentables.

Cita: Chen, X., Lu, G., Zhang, H. et al. Knowledge graph-enhanced deep learning for pharmaceutical demand forecasting. Sci Rep 16, 4776 (2026). https://doi.org/10.1038/s41598-026-35113-4

Palabras clave: predicción de demanda de medicamentos, cadena de suministro sanitaria, grafo de conocimiento, redes neuronales en grafos, pronóstico de series temporales