Un modelo híbrido optimizado con lobo gris para eXtreme gradient boosting aplicado al pronóstico de demanda farmacéutica hospitalaria

Por qué la provisión de medicamentos necesita una bola de cristal más inteligente

Cuando acudes a un hospital, esperas que los medicamentos adecuados estén en la estantería. Detrás de escena, sin embargo, los hospitales luchan por adivinar cuánto de cada fármaco necesitarán en las semanas siguientes. Pedir demasiado poco provoca agotamientos peligrosos; pedir demasiado provoca que medicamentos caros caduquen sin utilizarse. Este estudio presenta un nuevo enfoque de pronóstico basado en datos que ayuda a los hospitales a anticipar las necesidades de medicamentos con mayor precisión, combinando registros reales de dispensación con el clima local y los patrones estacionales.

Problemas cotidianos tras el mostrador de la farmacia

Los hospitales de todo el mundo caminan por la cuerda floja entre la escasez y el desperdicio. Las herramientas de pronóstico tradicionales —como líneas de tendencia simples y medias móviles— tratan la demanda como si cambiara de forma suave y predecible. En realidad, el uso de medicamentos sube y baja cuando las enfermedades se propagan, cambian las estaciones o surgen eventos locales. La temporada de gripe, olas de calor o brotes transmitidos por mosquitos pueden aumentar de forma repentina la demanda de fármacos específicos. Los métodos existentes a menudo no captan estos giros, especialmente en hospitales pequeños o con recursos limitados, lo que conduce a compras de última hora en pánico o montones de stock sin usar.

Dejar que los datos, el clima y las estaciones cuenten la historia

Los investigadores se centraron en dos hospitales provinciales en la provincia de Lamphun, Tailandia, recogiendo más de 3,4 millones de registros de consultas ambulatorias y dispensación farmacéutica entre finales de 2023 y mediados de 2025. Vincularon estos registros a un catálogo nacional de medicamentos para que cada artículo pudiera rastrearse de forma coherente entre los hospitales. Al mismo tiempo, incorporaron información meteorológica detallada —temperatura, precipitación, humedad, viento y radiación solar— procedente de un servicio meteorológico abierto, junto con pistas del calendario como año, mes y número de semana. Al combinar estas piezas, construyeron una rica imagen semanal de cómo la demanda de 588 medicamentos distintos sube y baja con la actividad hospitalaria y las condiciones ambientales.

Cómo una manada de lobos ayuda a elegir las pistas adecuadas

Para convertir estos datos complejos en pronósticos fiables, el equipo diseñó un modelo híbrido que fusiona dos ideas. La primera es un método de búsqueda inspirado en el comportamiento de caza del lobo gris. En el modelo, cada «lobo» representa un subconjunto posible de pistas —como determinadas medidas meteorológicas o marcadores temporales— que podrían ayudar a predecir la demanda. Estos lobos exploran el espacio de posibilidades, convergiendo gradualmente en las combinaciones más informativas mientras descartan factores ruidosos o redundantes. La segunda idea es un potente motor de predicción conocido como gradient boosting, que construye muchos pequeños árboles de decisión y los combina en un pronóstico global sólido. Al permitir que la búsqueda inspirada en los lobos ajuste qué pistas usar y cómo construir los árboles, el sistema concentra su poder de aprendizaje en lo que más importa.

Poniendo el modelo a prueba en hospitales reales

El nuevo modelo híbrido se enfrentó a cinco fuertes rivales de aprendizaje automático, incluidos random forests, redes neuronales y otros métodos de boosting, todos ellos alimentados con los mismos datos limpiados y estandarizados. Los investigadores evaluaron el rendimiento usando tres métricas comunes: cuán grande era el error típico, cuánto se penalizaban los errores grandes y cuánto de las subidas y bajadas de la demanda real podía explicar el modelo. En términos generales, el enfoque híbrido salió vencedor. No solo obtuvo los errores más pequeños, sino que también siguió con mayor fidelidad los picos y valles repentinos en el uso semanal de medicamentos que las alternativas, y sus resultados se mantuvieron estables incluso al cambiar la división entrenamiento–prueba.

Lo que mejores pronósticos significan para pacientes y planificadores

Para el público general, el mensaje central es claro: usar algoritmos más inteligentes que tengan en cuenta el clima y la temporalidad puede hacer que los pronósticos de medicamentos hospitalarios sean mucho más fiables. Aunque esta prueba de concepto se basa en solo dos hospitales tailandeses, demuestra que mezclar datos reales de dispensación con señales ambientales locales puede reducir la incertidumbre, recortar el desperdicio y ayudar a evitar que las estanterías se queden vacías. Con supervisión adecuada e integración en los sistemas de información hospitalarios, tales herramientas podrían respaldar a los equipos de compras, mejorar la planificación nacional de fármacos y, en última instancia, aumentar la probabilidad de que el medicamento correcto esté disponible cuando un paciente lo necesite.

Cita: Samniang, W., Shah, S.M.T., Tun, Y. et al. A hybrid grey wolf optimized eXtreme gradient boosting-based machine learning model for hospital pharmaceutical demand forecasting. Sci Rep 16, 13400 (2026). https://doi.org/10.1038/s41598-026-48590-4

Palabras clave: pronóstico de demanda de medicamentos, farmacia hospitalaria, aprendizaje automático, cadenas de suministro sanitarias, clima y salud