Aprendizado profundo aprimorado por grafos de conhecimento para previsão de demanda farmacêutica

Por que previsões de medicamentos mais inteligentes importam

Hospitais, farmácias e pacientes dependem de ter os medicamentos certos disponíveis no momento certo. Pedir pouco demais pode deixar fármacos salvadores em falta quando são urgentemente necessários. Pedir em excesso enche as prateleiras com produtos que expiram e geram desperdício financeiro. O desafio é que a demanda por medicamentos oscila com as temporadas de gripe, novos surtos, mudanças nas diretrizes e na forma como médicos substituem ou combinam fármacos. Este artigo apresenta uma nova forma de prever a demanda por medicamentos que combina inteligência artificial avançada com conhecimento médico estruturado para tornar as cadeias de suprimentos de saúde mais confiáveis e eficientes.

Limites das ferramentas de previsão atuais

Muitos hospitais e fornecedores ainda dependem de modelos estatísticos tradicionais que assumem que a demanda segue tendências relativamente suaves e previsíveis. Esses métodos tratam cada medicamento como se vivesse em um mundo à parte, ignorando como um remédio pode substituir ou complementar outro. Modelos mais recentes de aprendizado de máquina e aprendizado profundo, como redes neurais, lidam melhor com oscilações em séries temporais, mas também costumam se concentrar apenas em números de vendas passados. Como resultado, frequentemente deixam de captar uma parte importante da história: como os médicos realmente escolhem entre diferentes fármacos ao tratar pacientes com a mesma doença, especialmente quando existem substitutos ou combinações comuns.

Adicionando um mapa de como os medicamentos se relacionam

Os autores enfrentam esse problema construindo um “grafo de conhecimento” para produtos farmacêuticos — uma espécie de mapa que liga medicamentos, sintomas e doenças. Nesse grafo, cada nó representa um medicamento ou sintoma, e cada ligação representa uma relação do mundo real, como um antibiótico que substitui outro, ou uma vitamina comumente prescrita junto a um remédio para resfriado. Ao fundamentar a previsão nesse mapa estruturado, o modelo consegue ver que se a demanda por um medicamento sobe ou cai, a demanda por seus substitutos próximos ou parceiros típicos também pode mudar. Isso transforma registros de vendas dispersos em uma imagem conectada de como os tratamentos interagem na prática.

Como funciona o modelo híbrido de IA

Para transformar esse mapa e o histórico de vendas em previsões, o estudo propõe um modelo híbrido chamado KG‑GCN‑LSTM. Primeiro, uma rede convolucional em grafos (GCN) faz fluir informação ao longo das ligações do grafo de conhecimento, de modo que a representação de cada medicamento reflita não apenas seu próprio histórico, mas também o comportamento de medicamentos relacionados. Um passo especial de “recorte” então foca o modelo de volta no medicamento alvo, reduzindo ruído de vizinhos menos relevantes. Em seguida, uma rede LSTM (long short‑term memory) — um tipo de rede neural recorrente projetada para sequências — processa os dados semanais de demanda enriquecidos para aprender padrões ao longo do tempo, como sazonalidade, crescimento gradual e picos repentinos. Por fim, uma camada de saída simples transforma esses padrões aprendidos em previsões de demanda futura.

Testes no mundo real em uma farmácia movimentada

Os pesquisadores testaram a abordagem em mais de meio milhão de registros de vendas de uma farmácia indonésia, cobrindo mais de 200 produtos. Eles limparam e agregaram os dados em demanda semanal, filtraram itens com históricos muito curtos e construíram o grafo de conhecimento usando classificações internacionais de medicamentos e interações conhecidas entre fármacos. O novo modelo foi então comparado com uma ampla gama de técnicas estabelecidas, desde ARIMA clássico e regressão por vetores de suporte até sistemas modernos de aprendizado profundo como CNN‑LSTM, N‑BEATS e TimeMixer. Em várias medidas de erro padrão, o modelo enriquecido pelo conhecimento entregou as previsões mais precisas no geral, reduzindo o erro relativo em cerca de 3,6 pontos percentuais em comparação com um forte baseline de aprendizado profundo e igualando o desempenho da abordagem mais recente TimeMixer, ao mesmo tempo em que se mostrava mais interpretável e melhor adaptado a medicamentos com histórico limitado.

O que isso significa para pacientes e prestadores

Para não especialistas, a mensagem central é direta: quando as ferramentas de previsão entendem não apenas “quanto de cada medicamento foi vendido”, mas também “como os medicamentos se relacionam entre si no uso médico real”, elas podem antecipar melhor as necessidades futuras. O modelo KG‑GCN‑LSTM mostra que incorporar conhecimento de domínio à IA pode reduzir faltas e excessos de estoque, ajudando farmácias a manter medicamentos essenciais nas prateleiras sem imobilizar recursos desnecessários. Embora construir e manter grafos de conhecimento de alta qualidade ainda exija esforço, este estudo aponta para um futuro em que algoritmos mais inteligentes e conscientes do conhecimento apoiam de forma discreta cadeias de suprimentos de saúde mais resilientes e econômicas.

Citação: 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

Palavras-chave: previsão de demanda de medicamentos, cadeia de suprimentos em saúde, grafo de conhecimento, redes neurais em grafos, previsão de séries temporais