Predicción de la demanda de medicamentos esenciales mediante modelos de aprendizaje automático en farmacia hospitalaria Puno 2025

Abstract

El estudio se desarrolló bajo un enfoque cuantitativo, aplicativo y comparativo, utilizando datos históricos estructurados de consumo diario de 30 medicamentos esenciales. El proceso metodológico se basó en la metodología CRISP-DM, abarcando las fases de comprensión de los datos, preprocesamiento, modelamiento, validación y evaluación estadística. Se implementaron cuatro modelos: Random Forest (RF), XGBoost, LSTM (Long Short-Term Memory) y GRU (Gated Recurrent Unit). El desempeño de cada modelo se evaluó utilizando tres métricas: MAE (Mean Absolute Error), RMSE (Root Mean Squared Error) y sMAPE (Symmetric Mean Absolute Percentage Error), complementadas con pruebas inferenciales: ANOVA de medidas repetidas, prueba de Friedman y contrastes post-hoc. Los resultados del ANOVA mostraron diferencias altamente significativas entre modelos (p < 0.001), con un tamaño del efecto elevado (η² parcial entre 0.55 y 0.62). El modelo GRU obtuvo los menores errores promedio (MAE ≈ 18.5, RMSE ≈ 23.9, sMAPE ≈ 4.2 %), evidenciando mayor precisión y estabilidad temporal, seguido de XGBoost. En cambio, los modelos LSTM y Random Forest mostraron un rendimiento inferior con mayor dispersión de errores. Las pruebas de Friedman y post-hoc confirmaron la superioridad estadística del modelo GRU (p < 0.001 frente a LSTM y RF) y una tendencia favorable frente a XGBoost (p ≈ 0.06). En conclusión, el modelo GRU se consolida como la alternativa óptima para la predicción de la demanda farmacéutica, al combinar precisión, eficiencia y estabilidad temporal.