Viabilidad de prever la demanda hospitalaria de mascarillas a corto plazo con una red neuronal de retropropagación bajo escasez de datos

Por qué importa planificar las mascarillas en una crisis

Cuando aparece una nueva enfermedad infecciosa, los hospitales pueden quedarse sin suministros sencillos pero vitales como las mascarillas médicas. Pedir pocas mascarillas deja a médicos y enfermeras desprotegidos, mientras que pedir de más inmoviliza dinero y espacio de almacenamiento. Este artículo pregunta si un modelo informático pequeño y con poca necesidad de datos puede todavía ayudar a los hospitales a hacer mejores estimaciones a corto plazo sobre las necesidades de mascarillas para el día siguiente cuando solo hay disponibles unos pocos días de datos históricos.

Vigilando el uso diario de mascarillas en el hospital

Los investigadores estudiaron el uso de mascarillas en un gran hospital de China durante apenas 24 días en un periodo epidémico. Cada punto de datos era el número total de mascarillas usadas por todo el hospital ese día, sin información sobre pacientes individuales. Este registro tan corto refleja los primeros días de un nuevo brote, cuando los responsables deben actuar deprisa pero tienen poca historia que los guíe. La demanda durante esos días subió y bajó bruscamente, reflejando cambios en la carga de pacientes, el comportamiento del personal y las medidas de control, lo que hace que las previsiones sencillas de línea recta sean poco fiables.

Convertir un historial corto en un problema de aprendizaje

Para convertir estos 24 recuentos diarios en algo de lo que un ordenador pudiera aprender, el equipo usó un enfoque de ventana deslizante. Agruparon cada cuatro días consecutivos de uso de mascarillas como la “entrada” y pidieron al modelo que predijera el uso de mascarillas en el quinto día como la “salida”. Mover esta ventana a lo largo de la serie temporal produjo 20 ejemplos de este tipo. Los primeros 17 días se utilizaron para entrenar los modelos, y los últimos tres días se reservaron para probar qué tan bien podían predecir una demanda futura verdaderamente no vista, imitando cómo un hospital usaría tal herramienta en tiempo real.

Una red neuronal sencilla frente a métodos conocidos

La herramienta principal probada fue una red neuronal de retropropagación poco profunda, una pila modesta de nodos conectados que puede capturar curvas y giros en los patrones de datos. La red tenía una capa oculta y usó técnicas de entrenamiento comunes, como escalar todos los valores al mismo rango y detener el entrenamiento tempranamente cuando el rendimiento en un pequeño conjunto de validación dejaba de mejorar. Su tarea era aprender la relación entre el uso de mascarillas en los cuatro días previos y el día siguiente. El estudio comparó esta red con tres alternativas estándar: un método ingenuo que simplemente repite el valor de ayer, un modelo clásico de series temporales ARIMA y un modelo de aprendizaje profundo LSTM (memoria a largo y corto plazo).

Qué tan bien siguieron los modelos el uso real de mascarillas

A pesar del conjunto de datos diminuto, la red neuronal poco profunda convergió rápidamente y produjo predicciones estables. Al convertirse de nuevo en recuentos reales de mascarillas, su error medio fue de aproximadamente 415 mascarillas por día y su error cuadrático medio fue de alrededor de 519 mascarillas. En este experimento, eso superó tanto a los modelos ARIMA como LSTM, y mejoró claramente la estimación ingenua de “mañana = hoy”, especialmente durante caídas y picos bruscos en la demanda. Comprobaciones que compararon valores predichos y reales mostraron una fuerte concordancia en los datos de entrenamiento y validación, y una concordancia aceptable, aunque más débil, en los días de prueba, lo que sugiere que el modelo podía seguir tendencias a corto plazo pero aún tenía dificultades con los cambios más abruptos.

Precaución y siguientes pasos para hospitales reales

Los autores subrayan que su modelo es una prueba de viabilidad más que una herramienta lista para desplegar. Con solo 24 días de datos de un único hospital, existe un riesgo real de que la red haya aprendido en parte particularidades de esta serie corta en lugar de reglas generales, y se observaron algunos indicios de sobreajuste. Aun así, el trabajo muestra que una red neuronal simple puede proporcionar una orientación a corto plazo más útil que varias alternativas comunes cuando los datos son escasos. Para los planificadores hospitalarios, esto sugiere que modelos ligeros podrían servir como ayudas rápidas y provisionales para gestionar los stocks de mascarillas durante las fases iniciales de un brote, para ser reemplazados o refinados una vez que estén disponibles conjuntos de datos más largos y ricos de múltiples hospitales.

Cita: Wang, Y., Han, Y., Wang, S. et al. Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity. Sci Rep 16, 14904 (2026). https://doi.org/10.1038/s41598-026-44754-4

Palabras clave: suministros hospitalarios, demanda de mascarillas, red neuronal, planificación ante epidemias, predicción de series temporales