Predicción de la demanda de glóbulos rojos en un banco de sangre de Bogotá a través de modelos de machine learning
Cargando...
Archivos
Fecha
2025-01
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Lograr predecir la demanda de hemocomponentes solicitada a los Bancos de sangre, contribuye a la gestión y planeación en la cadena transfusional mejorando el suministro de unidades sanguíneas. De acuerdo al Informe de Disponibilidad de Recursos en Promoción de la Donación y Colecta de Sangre en Colombia del año 2022 del Instituto Nacional de Salud, los glóbulos rojos del grupo sanguíneo O corresponden al 65.7% de las donaciones aceptadas, siendo el grupo más representativo. Las predicciones inexactas de la demanda pueden llevar a situaciones, ya sea de escasez o exceso de stock de hemocomponentes, en las últimas estadísticas publicadas por la Red Distrital de Sangre la demanda satisfecha está por debajo de la meta distrital del 90%, sumado a que entre 2021 y 2022, la incineración de glóbulos rojos aumentó un 25.2%.
Modelos basados en machine learning y redes neuronales, han mostrado ser efectivos para realizar predicciones de la demanda. Este tipo de modelos permiten captar patrones no lineales y fluctuaciones estacionales, lo que facilita una planificación más eficiente en escenarios con alta variabilidad. Investigaciones recientes han validado la efectividad de estos modelos en la predicción de productos sanguíneos. Esta investigación tiene como objetivo diseñar e implementar diferentes modelos de machine learning para la predicción de la demanda de glóbulos rojos en un Banco de Sangre de Bogotá. La aplicación de estos modelos contribuye a una mejor planificación de las jornadas de colecta, a reducir el riesgo de desperdicio, y a mejorar la disponibilidad de hemocomponentes.
La implementación de los modelos permitió concluir que las redes neuronales, presentan mejores resultados para la predicción de los glóbulos rojos, para el caso del grupo sanguíneo O+ el mejor modelo fue Bi-GRU el cual obtuvo un R2 de 61.96%, MAE de 25.76, RMSE de 32.15 y un PCPS de 94.15%. En el caso de las solicitudes de O-, el modelo LSTM mostró el mejor desempeño en el conjunto de prueba, con un R2 de 55.29%, MAE de 4.090, RMSE de 5.180 y un PCPS de 94.19%.
Descripción
Abstract
Predicting the demand for blood components requested by blood banks contributes to the management and planning of the transfusion chain, improving the supply of blood units. According to the 2022 Report on the Availability of Resources in the Promotion of Blood Donation and Collection in Colombia by the National Institute of Health, red blood cells from blood group O account for 65.7% of accepted donations, making it the most representative group. Inaccurate demand predictions can lead to situations of either shortage or excess stock of blood components. In the latest statistics published by the district blood network, the satisfied demand is below the district target of 90%, and between 2021 and 2022, the incineration of red blood cells increased by 25.2%.
Machine learning models and neural networks have proven to be effective in improving demand prediction accuracy. These techniques allow for the capture of nonlinear patterns and seasonal fluctuations, facilitating more efficient planning in highly variable scenarios. Recent research has validated the effectiveness of these models in predicting blood products. In this context, the present study proposes the implementation of machine learning models to predict the demand for red blood cells from blood group O in a blood bank in Bogotá. This research aims to design and implement different machine learning models to predict the demand for red blood cells in a Bogotá blood bank. The application of these models seeks to optimize donation collection and reduce waste, contributing to the efficiency of healthcare services.
The implementation of the models led to the conclusion that neural networks provide better results for red blood cell prediction. For blood group O+, the best model was Bi-GRU, achieving an R² of 61.96%, a MAE of 25.76, an RMSE of 32.15, and a PCPS of 94.15%. In the case of O- requests, the LSTM model showed the best performance on the test set, with an R² of 55.29%, a MAE of 4.090, an RMSE of 5.180, and a PCPS of 94.19%.
Palabras clave
Redes Neuronales, Grupo Sanguíneo O, Glóbulos Rojos, Machine Learning, LSTM, BI-GRU, Banco de Sangre, Demanda de Sangre
Keywords
Neural Networks, Blood Type O, Red Blood Cells, Machine Learning, LSTM, BI-GRU, Blood Bank, Blood Demand