Palabras clave
ARIMA
Predicción de demanda
Toma de decisiones
Farmacia hospitalaria
Cómo citar
Resumen
El objetivo principal de la investigación fue determinar cómo el uso de machine learning contribuye a mejorar los procesos de toma de decisiones en una farmacia hospitalaria de Lima durante el año 2025. Este estudio es del tipo aplicada desde un enfoque cuantitativo y de nivel descriptivo, empleando un diseño preexperimental. La población estuvo conformada por datos históricos de ventas de medicamentos, considerándose una muestra representativa para el análisis mediante técnicas de series temporales. En cuanto al procedimiento, se aplicaron modelos ARIMA, previa evaluación de criterios de estacionariedad, autocorrelación y estacionalidad, y su validación se realizó mediante métricas de error como RMSE y MAE. Los resultados evidenciaron una mejora significativa en la precisión de la predicción de la demanda de medicamentos, así como en el control de inventarios, reduciendo los niveles de desabastecimiento y sobre stock. Asimismo, las pruebas de hipótesis evidenciaron un valor sig. menor a 0.05 bajo un nivel de confianza del 95%. Se concluye que la implementación de modelos de machine learning basados en series temporales es efectiva para optimizar la gestión farmacéutica hospitalaria, mejorando la eficiencia operativa y la calidad de la toma de decisiones, siempre que se cuente con una adecuada gestión de datos y soporte institucional.
Referencias
Abouelmehdi, K., Beni-Hessane, A., & Khaloufi, H. (2021). Big data security and privacy in healthcare: A review. Procedia Computer Science, 113, 73–80. https://doi.org/10.1016/j.procs.2017.08.292
Abrar, M., ur Rehman, M., Khalid, S., et al. (2026). The intersection of artificial intelligence and assistive technologies in the diagnosis and intervention of mental health conditions. Artificial Intelligence Review, 59, 40. https://doi.org/10.1007/s10462-025-11447-9
Ali, A. J., Verma, M., & Hamdan, R. (2025). Impact of outsourcing on government service quality. In A. Hamdan (Ed.), Achieving Sustainable Business through AI, Technology Education and Computer Science (Studies in Big Data, vol. 158, pp. 541-553). Springer, Cham. https://doi.org/10.1007/978-3-031-70855-8_50
Babic, B., Cohen, I. G., Stern, A. D., Li, Y., & Ouellet, M. (2025). A general framework for governing marketed AI/ML medical devices. npj Digital Medicine, 8(328). https://doi.org/10.1038/s41746-025-01717-9
Bader, A., Shtayat, A., & Al-Mistarehi, B. (2025). Enhancing structural health monitoring with AI-ML algorithms: a focus on crack detection and prediction. Asian Journal of Civil Engineering, 26, 1907–1918. https://doi.org/10.1007/s42107-024-01261-z
Batini, C., Cappiello, C., Francalanci, C., & Maurino, A. (2022). Methodologies for data quality assessment and improvement. ACM Computing Surveys, 54(6), 1–41. https://doi.org/10.1145/3487890
Bharech, S., Yang, Y., Selzer, M., et al. (2025). ML-extendable framework for multiphysics-multiscale simulation workflow and data management using Kadi4Mat. Scientific Data, 12, 962. https://doi.org/10.1038/s41597-025-05027-3
Bocean, C. G., & Vărzaru, A. A. (2025). Health status in the era of digital transformation and sustainable economic development. BMC Health Services Research, 25, 343. https://doi.org/10.1186/s12913-025-12498-y
Dash, S., Shakyawar, S. K., Sharma, M., & Kaushik, S. (2021). Big data in healthcare: Management, analysis and future prospects. Journal of Big Data, 8(1), 1–25. https://doi.org/10.1186/s40537-021-00417-7
Floridi, L., Cowls, J., Beltrametti, M., et al. (2021). AI4PeopleAn ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5
Fourkiotis, K. P., & Tsadiras, A. (2024). Applying Machine Learning and Statistical Forecasting Methods for Enhancing Pharmaceutical Sales Predictions. Forecasting, 6(1), 170–186. https://doi.org/10.3390/forecast6010010
González-Pérez, Y., Delgado, A. M., & Sesmero, J.. M. M. (2024). Acercando la inteligencia artificial a los servicios de farmacia hospitalaria. Farmacia Hospitalaria, 48, S35–S44.
Holden, R. J., & Karsh, B. T. (2021). The Technology Acceptance Model: Its past and its future in health care. Journal of Biomedical Informatics, 43(1), 159–172. https://doi.org/10.1016/j.jbi.2009.07.002
Huamán, J. L. (2020). Aplicación de técnicas de machine learning para la predicción de demanda de medicamentos en un hospital público del Perú [Tesis de maestría, Universidad Nacional Mayor de San Marcos]. Repositorio Institucional UNMSM.
Inga Llacza, F. G., Miranda Manrique, K. M. A., Quispe Zuñiga, D., Reyna Torres, J. M., & Turriate Naveda, S. (2023). Implementación de técnicas de Machine Learning para la segmentación de clientes en una empresa del sector farmacéutico.
Kane, G. C., Phillips, A. N., Copulsky, J., & Andrus, G. (2021). The technology fallacy: How people are the real key to digital transformation. MIT Press.
Kenyon, G. N. (2026). Service systems dimensions of quality. In The Perception of Quality. Springer, London. https://doi.org/10.1007/978-1-4471-7606-0_11
Kwon, H. Y., Kim, S. J., Jung, S. Y., & Park, R. W. (2021). Predictive analytics for drug inventory management in hospitals using machine learning techniques. BMC Medical Informatics and Decision Making, 21(1), 1–12. https://doi.org/10.1186/s12911-021-01455-6
Lazo Pilatuña, J. R., & Moreano Moncayo, A. V. (2021). Desarrollo de un sistema inteligente para predecir los consumos de medicamentos genéricos de mayor demanda en el distrito de salud 06d05 guano-penipe, aplicando técnicas de regresión de machine learning.
Leixiao, Z., Xiaonan, S., Lutong, P., et al. (2024). Development and reliability and validity testing of a medication literacy scale for medical college students. BMC Medical Education, 24, 1238. https://doi.org/10.1186/s12909-024-06222-3
León, F. E. (2020). Modelo de big data y machine learning para mejorar el proceso de toma de decisiones en la administración de la salud de la población (Doctoral dissertation, Universidad de Oviedo).
Loaiza Saldivar, A. R., & Montano Vega, S. (2026). Desarrollo de un sistema web de planificación de abastecimiento médico gestionado por un modelo predictivo para anticipar la demanda de medicamentos. Científica.
Madariaga Torres, S. M. (2021). Machine Learning para predecir volúmenes operacionales de las líneas de negocio de Cenabast.
Manrique Rodriguez, D. S. (2025). Machine learning para la gestión de inventarios de medicamentos en el Hospital José Agurto Tello de Chosica.
Mbonyinshuti, F., Nkurunziza, J., Niyobuhungiro, J., & Kayitare, E. (2021). The Prediction of Essential Medicines Demand: A Machine Learning Approach Using Consumption Data in Rwanda. Processes, 10(1), 26. https://doi.org/10.3390/pr10010026
Mendoza Vasquez, D., & Salazar Chavez, S. S. (2022). Modelo Tecnológico utilizando herramientas de Machine Learning para apoyar la toma de decisiones en el Diagnóstico y Tratamiento de la Leucemia Pediátrica.
Morley, J., Floridi, L., Kinsey, L., & Elhalal, A. (2020). From what to how: An overview of AI ethics tools, methods and research to translate principles into practices. Science and Engineering Ethics, 26(4), 2141–2168. https://doi.org/10.1007/s11948-019-00165-1
Pall, R., et al. (2023). Predicting drug shortages using pharmacy data and machine learning. PLOS ONE / (PMC free article). https://pmc.ncbi.nlm.nih.gov/articles/PMC10009839/
Paramesha, K., Jalapur, S., Hanok, S., et al. (2025). Machine learning and deep learning approaches for guava disease detection. SN Computer Science, 6, 361. https://doi.org/10.1007/s42979-025-03886-6
Porter, M. E., & Lee, T. H. (2021). The strategy that will fix health care. Harvard Business Review, 99(4), 50–70.
Provost, F., & Fawcett, T. (2021). Data science for business (2nd ed.). O’Reilly Media.
Quispe, R. A. (2021). Modelo predictivo basado en machine learning para la gestión de inventarios de medicamentos en un hospital público de Lima [Tesis de maestría, Universidad Nacional de Ingeniería]. Repositorio Institucional UNI.
Raghupathi, W., & Raghupathi, V. (2020). Big data analytics in healthcare: Promise and potential. Health Information Science and Systems, 8(1), 1–10. https://doi.org/10.1007/s13755-020-00112-7
Ramos, C. F. (2022). Implementación de un modelo de machine learning para optimizar la gestión de inventarios farmacéuticos en un hospital de Lima [Tesis de maestría, Universidad Tecnológica del Perú]. Repositorio UTP.
Rodas Cortijo, C. L., & Villacrisis Guerrero, J. J. (2025). Aplicación de Machine Learning para la eficiencia en la gestión de inventarios en el sector farmacéutico limeño, 2024.
Rueda Aldana, L. S. (2024). Machine Learning una solución para mejorar la percepción del dolor en pacientes de dolor oncológico al predecir y mejorar la gestión de este síntoma en la práctica médica actual.
Salazar, M. E. (2023). Sistema inteligente para la toma de decisiones en la gestión de medicamentos en hospitales del MINSA [Tesis de maestría, Universidad César Vallejo]. Repositorio Institucional UCV.
Shen, J., Bu, F., Ye, Z., & Zhang, M. (2024). Management of drug supply chain information based on “artificial intelligence + vendor managed inventory” in China: perspective based on a case study. Frontiers in Pharmacology (PMC free article). https://pmc.ncbi.nlm.nih.gov/articles/PMC11286579/
Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2021). Data mining for business analytics: Concepts, techniques, and applications in Python (2nd ed.). Wiley.
Tri, L. Q., Bang, T. H., Tuyet, D. V., & Quang, N. D. (2024). Enhancing Hospital Pharmacy Management Efficiency Through Machine Learning Model for Drug Demand Prediction (PDF). Saigon International University (sitio institucional). https://ai.siu.edu.vn/wp-content/uploads/2024/12/Enhancing-Hospital-Pharmacy-Management-Efficiency.pdf
Vargas, P. H. (2024). Modelo de machine learning aplicado a la planificación del abastecimiento de medicamentos en un hospital nacional [Tesis de maestría, Universidad Peruana de Ciencias Aplicadas]. Repositorio UPC.
Vásquez Vera, A. F. (2025). Diseño de un modelo con uso de machine learning y big data para predecir el desabastecimiento de medicamentos.
Venkatesh, V., Thong, J. Y. L., & Xu, X. (2022). Unified theory of acceptance and use of technology: A synthesis and the road ahead. Journal of the Association for Information Systems, 17(5), 328–376.
Vial, G. (2021). Understanding digital transformation: A review and a research agenda. Journal of Strategic Information Systems, 28(2), 118–144. https://doi.org/10.1016/j.jsis.2019.01.003
Wang, L., Zhang, J., He, K., & Li, X. (2023). Artificial intelligence–driven risk management in hospital pharmacy operations. Journal of Medical Systems, 47(3), 1–10. https://doi.org/10.1007/s10916-023-01944-7
Zhang, Y., Li, Z., Zhou, X., & Liu, S. (2022). Forecasting pharmaceutical demand using machine learning models: A comparative study. Expert Systems with Applications, 198, 116873. https://doi.org/10.1016/j.eswa.2022.116873
CORRESPONDENCIA:
Ronald Raul Fuentes Acuña
2023044431@unfv.edu.pe
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2026 Ronald Raúl Fuentes Acuña