Um modelo híbrido baseado em lobo-cinzento otimizado para eXtreme gradient boosting para previsão de demanda farmacêutica hospitalar

Por que o abastecimento de medicamentos precisa de uma bola de cristal mais inteligente

Quando você chega a um hospital, espera encontrar os medicamentos certos na prateleira. Nos bastidores, porém, os hospitais têm dificuldade em estimar quanto de cada remédio vão precisar nas próximas semanas. Pedir pouco demais leva a faltas perigosas; pedir demais faz com que medicamentos caros caduquem sem uso. Este estudo apresenta uma nova abordagem de previsão baseada em dados que ajuda hospitais a antecipar a necessidade de medicamentos com mais precisão, misturando registros reais de dispensa com informações locais sobre o clima e padrões sazonais.

Problemas do dia a dia atrás do balcão da farmácia

Hospitais ao redor do mundo equilibram-se entre escassez e desperdício. Ferramentas tradicionais de previsão — como linhas de tendência simples e médias móveis — tratam a demanda como se mudasse de forma suave e previsível. Na prática, o uso de medicamentos sobe e desce à medida que doenças se espalham, as estações mudam e eventos locais acontecem. A temporada de gripe, ondas de calor ou surtos transmitidos por mosquitos podem aumentar repentinamente a demanda por fármacos específicos. Métodos existentes frequentemente deixam passar essas reviravoltas, especialmente em hospitais menores ou com recursos limitados, levando a compras de emergência desesperadas ou a pilhas de estoque não utilizado.

Deixar que dados, clima e estações contem a história

Os pesquisadores concentraram-se em dois hospitais provinciais na província de Lamphun, Tailândia, coletando mais de 3,4 milhões de registros de consultas ambulatoriais e dispensação farmacêutica entre o final de 2023 e meados de 2025. Eles vincularam esses registros a um catálogo nacional de medicamentos para que cada item pudesse ser rastreado de forma consistente entre hospitais. Ao mesmo tempo, incorporaram informações meteorológicas detalhadas — temperatura, precipitação, umidade, vento e insolação — de um serviço climático aberto, junto com pistas do calendário, como ano, mês e número da semana. Ao combinar essas peças, construíram um quadro semanal rico de como a demanda por 588 medicamentos diferentes sobe e desce com a atividade hospitalar e as condições ambientais.

Como uma matilha de lobos ajuda a escolher as pistas certas

Para transformar esses dados complexos em previsões confiáveis, a equipe projetou um modelo híbrido que une duas ideias. A primeira é um método de busca inspirado no comportamento de caça do lobo-cinzento. No modelo, cada “lobo” representa um possível subconjunto de pistas — como certas medidas meteorológicas ou marcadores temporais — que podem ajudar a prever a demanda. Esses lobos exploram o espaço de possibilidades, convergindo gradualmente para as combinações mais informativas enquanto descartam fatores ruidosos ou redundantes. A segunda ideia é um motor de previsão poderoso conhecido como gradient boosting, que constrói muitas pequenas árvores de decisão e as combina em uma previsão geral robusta. Ao permitir que a busca inspirada em lobos ajuste quais pistas usar e como as árvores são construídas, o sistema concentra seu poder de aprendizado onde isso mais importa.

Colocando o modelo à prova em hospitais reais

O novo modelo híbrido foi confrontado com cinco fortes rivais de aprendizado de máquina, incluindo random forests, redes neurais e outros métodos de boosting, todos alimentados com os mesmos dados limpos e padronizados. Os pesquisadores avaliaram o desempenho usando três métricas comuns: quão grande era o erro típico, quão severamente erros grandes eram penalizados e quanto das variações na demanda real o modelo conseguia explicar. Em todas as frentes, a abordagem híbrida saiu na frente. Ela não apenas cometeu os menores erros, como também acompanhou picos e quedas súbitas no uso semanal de medicamentos mais de perto que as alternativas, e seus resultados se mantiveram estáveis mesmo quando a divisão treino–teste dos dados foi alterada.

O que previsões melhores significam para pacientes e planejadores

Para não especialistas, a mensagem central é direta: usar algoritmos mais inteligentes que prestem atenção ao clima e ao tempo pode tornar as previsões de medicamentos hospitalares muito mais confiáveis. Embora esta prova de conceito se baseie em apenas dois hospitais tailandeses, ela mostra que misturar dados reais de dispensação com sinais ambientais locais pode reduzir o achismo, cortar desperdício e ajudar a evitar que prateleiras fiquem vazias. Com supervisão cuidadosa e integração aos sistemas de informação hospitalar, tais ferramentas podem apoiar equipes de compras, melhorar o planejamento nacional de medicamentos e, em última instância, aumentar a probabilidade de que o medicamento certo esteja disponível quando um paciente precisar.

Citação: 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

Palavras-chave: previsão de demanda de medicamentos, farmácia hospitalar, aprendizado de máquina, cadeias de suprimento em saúde, clima e saúde