Inteligencia artificial aplicada a la gestión logística hospitalaria

AUTORES

1. Aránzazu León Fábrega. Auxiliar Administrativo. Zaragoza, España.
2. María Jesús Sancho Ferrer.  Auxiliar Administrativo. Zaragoza, España.
3. Rosa María Buendía Rojo. Auxiliar Administrativo. Zaragoza, España.
4. Carolina Vicente García. Auxiliar Administrativo. Zaragoza, España.
5. José María Bernal Torres. Auxiliar Administrativo del Servicio Aragonés de Salud. Zaragoza, España.
6. Maura Aparicio Zabalza. Auxiliar Administrativo. Zaragoza, España.

RESUMEN

La logística hospitalaria debe garantizar disponibilidad, trazabilidad y uso prudente de materiales, medicamentos y otros recursos. Esta monografía narrativa examina aplicaciones de inteligencia artificial en previsión de demanda, gestión de existencias y apoyo a decisiones de aprovisionamiento, junto con sus límites de evidencia y requisitos de implantación. Se revisaron estudios y revisiones sobre cadenas de suministro sanitarias y normativa europea. La literatura ofrece ejemplos en farmacia y componentes sanguíneos, pero la validación operativa de muchos modelos sigue siendo escasa. Desde la perspectiva administrativa, la mejora depende de catálogos consistentes, registros de consumo fiables, seguimiento de incidencias y revisión humana de las recomendaciones. Se propone implantar proyectos acotados con comparación frente a métodos actuales, indicadores de disponibilidad y desperdicio, controles de privacidad y procedimientos alternativos cuando falle el sistema.

PALABRAS CLAVE

Inteligencia artificial, administración de materiales de hospital, inventarios de hospitales, sistemas de distribución en hospital.

ABSTRACT

Hospital logistics must ensure availability, traceability and prudent use of supplies, medicines and other resources. This narrative monograph examines artificial intelligence applications in demand forecasting, inventory management and procurement decision support, along with the limits of the evidence and implementation requirements. Studies and reviews on health care supply chains and European legislation were considered. The literature includes pharmacy and blood component examples, but real world validation of many models remains limited. From an administrative perspective, improvement depends on consistent item catalogues, reliable consumption records, incident tracking and human review of recommendations. Small scale implementation should compare results with current methods, monitor availability and waste, protect personal data and retain fallback procedures for system failures.

KEY WORDS

Artificial intelligence, materials management, hospital, inventories, hospital, hospital distribution systems.

DESARROLLO DEL TEMA

La gestión logística hospitalaria conecta las necesidades de las unidades con compras, almacén, farmacia, esterilización y distribución interna. Una decisión tardía sobre una reposición puede causar una rotura de existencias; un pedido excesivo puede inmovilizar recursos o caducar antes de su uso. La inteligencia artificial (IA) se plantea como apoyo para reconocer patrones de consumo y anticipar necesidades, pero conviene precisar qué tecnología se utiliza y qué decisión ayuda a tomar. Una revisión sistemática publicada en 2026 localizó trece estudios sobre IA en cadenas sanitarias y señaló que predominaban propuestas teóricas, sin implantación real reportada en los trabajos incluidos¹. Este límite obliga a separar la promesa tecnológica de sus resultados comprobados.

La presente monografía revisa la literatura sobre previsión y gestión de existencias, dos estudios aplicados a contextos concretos y el marco europeo relevante para el tratamiento de datos y el uso de IA. Se orienta al administrativo o auxiliar administrativo que participa en solicitudes, catálogos, órdenes de compra, registro de consumos e incidencias. No atribuye al personal de apoyo la validación clínica de productos, la prescripción ni la aprobación autónoma de decisiones de seguridad. En un hospital, un sistema predictivo debe integrarse en una cadena de responsabilidades explícita y permitir intervención humana.

Qué puede mejorar la IA y qué datos necesita:

Los modelos de previsión pueden combinar consumos históricos con calendario quirúrgico, estacionalidad, ocupación y plazos de proveedores, cuando esos datos estén disponibles y su uso esté autorizado. La salida suele ser una estimación de demanda por artículo y horizonte; un segundo proceso traduce esa estimación en una propuesta de pedido que considera existencias, caducidad, reservas, tamaño de envase y tiempo de entrega. Son problemas distintos: un pronóstico aparentemente preciso puede generar malas compras si no representa las restricciones reales del almacén. La evaluación debe incluir tanto el error de previsión como las consecuencias de la decisión del pedido.

La base es un catálogo maestro fiable. Un mismo producto no debe figurar bajo varias denominaciones sin relación, ni confundirse unidades de medida: caja, envase y unidad de consumo. Han de registrarse altas, cambios de código, equivalencias autorizadas, lotes, caducidades y devoluciones según los circuitos del centro. Las faltas de registro en una unidad pueden simular una caída de demanda y sesgar el modelo. Un estudio de responsables de logística sanitaria en el norte de Chile documentó deficiencias en la gestión manual y recogió opiniones sobre la posible IA; al ser una encuesta de percepción, no demuestra por sí misma eficacia del algoritmo².

El auxiliar administrativo puede depurar duplicados con el responsable del catálogo, detectar pedidos urgentes repetidos, comprobar que las recepciones concuerdan con los albaranes y devolver a la unidad registros incompletos para su corrección. La calidad del dato no es una tarea puntual antes del estreno del programa: requiere propietarios, reglas de actualización y auditorías periódicas. Resulta útil distinguir consumos reales de transferencias entre almacenes y de ajustes por inventario, pues los tres movimientos tienen significados diferentes para el aprendizaje del sistema.

Aplicaciones concretas en hospital:

En aprovisionamiento, la IA puede ayudar a ordenar avisos de reposición, señalar consumos anómalos y comparar escenarios de reserva. En farmacia hospitalaria, un estudio de caso chino combinó herramientas digitales con inventario gestionado por proveedor y comunicó mejoras de indicadores internos³. La intervención agrupaba varias medidas, por lo que esos resultados no se deben atribuir solo a la IA ni trasladar directamente a otro sistema sanitario. La decisión de sustitución de medicamentos, de adecuación terapéutica y de prioridades clínicas debe permanecer en las unidades profesionales competentes.

La sangre y sus componentes ilustran la dificultad de prever materiales perecederos. Un trabajo integró aprendizaje automático, modelos estadísticos y optimización para pasar de la previsión de demanda de hematíes a decisiones de pedido⁴. Una revisión de estudios sobre demanda sanguínea encontró enfoques variados y destacó límites de generalización, compatibilidad de grupos y medidas de rendimiento específicas⁵. La logística de componentes sanguíneos depende de requisitos clínicos y de hemoterapia que un modelo genérico de compras no capta; por ello, el papel administrativo se limita a los procedimientos autorizados de registro, coordinación y trazabilidad.

También son plausibles aplicaciones para asignar rutas de carros, organizar recogidas y entregas o detectar desajustes entre almacén central y unidades. Esas posibilidades exigen mapas reales de circulación, franjas horarias, reglas de prioridad y seguridad del transporte. La conveniencia de un algoritmo se decide frente a una alternativa simple y medible: niveles mínimos bien ajustados, reposición periódica o planificación manual asistida. Si los datos son escasos o las condiciones cambian con rapidez, una regla clara revisada por profesionales puede rendir mejor que un modelo difícil de explicar.

Indicadores y evaluación antes de extender el sistema:

Una revisión sistemática identificó 64 indicadores de cadenas de suministro hospitalarias repartidos en dimensiones financieras, de gestión y clínicas⁶. Para un piloto concreto conviene seleccionar pocos y definirlos antes de empezar: porcentaje de solicitudes servidas a tiempo, días con falta de producto crítico, caducidades, valor inmovilizado, pedidos urgentes y tiempo de tramitación. Un resultado global favorable puede esconder errores graves en artículos infrecuentes y esenciales. Por eso se analizan por separado categorías críticas y grupos de unidades, con umbrales acordados por los responsables asistenciales y logísticos.

La comparación debe usar un periodo basal y un periodo posterior suficientemente representativos, sin atribuir diferencias a la IA si simultáneamente cambia el proveedor, la actividad quirúrgica o la forma de registrar consumos. En previsión se pueden medir errores por producto y periodo, pero la medida decisiva incluye faltas, caducidades y trabajo adicional provocado por falsas alarmas. El piloto debe registrar cuándo una persona acepta, modifica o rechaza la propuesta y por qué. Estos motivos aportan datos para detectar catálogos erróneos, retrasos de suministro y recomendaciones poco realistas.

Se requiere una vía de contingencia cuando faltan datos, cae la red o un producto cambia de presentación. El responsable debe conocer qué inventario es fiable, qué pedidos estaban pendientes y cómo continuar temporalmente con el procedimiento habitual. La monitorización posterior es necesaria porque un modelo entrenado con años anteriores puede degradarse tras una ampliación de servicios o un cambio en las prácticas clínicas. Un tablero con alertas explicables resulta más útil que una puntuación opaca sin información sobre su origen.

Privacidad, gobernanza y contratación:

Los datos de inventario no siempre son personales, pero enlazar consumos con pacientes, profesionales o episodios clínicos puede introducir información protegida. El Reglamento General de Protección de Datos exige, entre otros principios, limitar los datos personales a lo necesario para una finalidad legítima⁷. Deben definirse accesos por función, conservación, registro de operaciones y responsabilidades con proveedores. Es prudente usar datos agregados cuando basten para prever demanda y evitar cargar historias clínicas en herramientas externas sin base, acuerdos y garantías apropiados.

El Reglamento europeo de IA establece un marco de obligaciones cuyo alcance depende de la finalidad prevista y la clasificación del sistema⁸. Una herramienta ordinaria de apoyo a inventario no debe calificarse automáticamente como sistema de alto riesgo, ni considerarse exenta por usarla administración: sus funciones y contexto importan. Antes de comprar, el hospital debe describir el uso previsto, fuentes de datos, documentación técnica, supervisión humana, pruebas de desempeño, seguridad y posibilidad de exportar los registros. La formación del personal que utiliza la herramienta debe cubrir sus límites y el procedimiento de escalado.

En contratación conviene pedir evidencia verificable y condiciones para auditar resultados, corregir errores y terminar el servicio sin perder el histórico. El contrato debe aclarar quién actualiza catálogos y modelos, cómo se registran versiones y qué sucede cuando el proveedor cambia la tecnología. La gestión de incidencias necesita un canal con prioridad y plazo de respuesta; una alerta ignorada por falta de responsable se transforma en un riesgo operativo. Las especificaciones funcionales se elaboran con logística, compras, tecnologías, farmacia y unidades usuarias, según el alcance del proyecto.

Función del personal administrativo y circuito propuesto:

Desde el punto de vista administrativo, el trabajo empieza al recibir una necesidad de material: se comprueba el código y la unidad de medida, se verifica la autorización de la solicitud y se registra su estado hasta la recepción. Si el sistema propone adelantar un pedido, el administrativo puede contrastar existencias, entregas previstas y devoluciones; comunica diferencias al responsable de aprovisionamiento antes de ejecutar la operación según las competencias asignadas. El algoritmo no firma conformidades, no decide equivalencias clínicas y no reemplaza la revisión de lotes y fechas cuando sea exigible.

Un circuito operativo razonable incluye cuatro momentos. Primero, recepción y normalización de datos de consumo y existencias con trazabilidad de las correcciones. Segundo, generación de una recomendación acompañada de la demanda estimada, datos vigentes y motivo de la alerta. Tercero, revisión por la persona responsable, con constancia de aceptación o modificación. Cuarto, comprobación de resultados en la entrega y seguimiento de incidencias. El auxiliar puede asegurar que estos pasos queden documentados y que ninguna solicitud crítica se cierre por el mero hecho de haber emitido una orden de compra.

Cuando una unidad comunica una rotura de existencias, deben constar hora, producto, unidad afectada, existencias verificadas, vías alternativas autorizadas, persona avisada y resolución efectiva. Este registro permite analizar si el fallo procede de la previsión, del proveedor, de un movimiento no contabilizado o de una demora de distribución. La propuesta de IA puede sugerir una causa; la investigación y las medidas correctoras corresponden a los responsables designados. La finalidad es que cada alerta origine una actuación comprensible y comprobable.

CONCLUSIONES

Las publicaciones muestran oportunidades para prever demanda y apoyar inventarios, especialmente en ámbitos acotados; la revisión general pone de manifiesto una brecha entre modelos propuestos e implantaciones evaluadas¹. La decisión de incorporar IA debe surgir de un problema medido, una comparación con el proceso vigente y la capacidad de sostener datos de calidad. No es suficiente reducir el coste medio si empeora la disponibilidad de un artículo crítico o aumenta el trabajo de corrección no registrado.

La IA puede contribuir a una logística hospitalaria más anticipatoria si sus recomendaciones son revisables, sus efectos se miden y existen planes de contingencia. El personal administrativo desempeña una función concreta en catálogos, trazabilidad de solicitudes, comunicación de incidencias y documentación del seguimiento. La supervisión de las decisiones sensibles por los servicios competentes y la protección de datos permiten aprovechar la herramienta sin diluir responsabilidades.

BIBLIOGRAFÍA

1. Espinosa O, Basto S, Ordóñez A, Arias ML, Sepúlveda D, Bhutta MF. A review of artificial intelligence in healthcare supply chains: untapped potential? BMC Health Serv Res. 2026;26:742. doi:10.1186/s12913-026-14559-2.
2. Bas TG, Astudillo P, Rojo D, Trigo A. Opinions related to the potential application of artificial intelligence by the responsible in charge of the administrative management related to the logistics and supply chain of medical stock in health centers in north of Chile. Int J Environ Res Public Health. 2023;20(6):4839. doi:10.3390/ijerph20064839.
3. Shen J, Bu F, Ye Z, Zhang M, Ma Q, Yan J, et al. Management of drug supply chain information based on “artificial intelligence + vendor managed inventory” in China: perspective based on a case study. Front Pharmacol. 2024;15:1373642. doi:10.3389/fphar.2024.1373642.
4. Li N, Arnold DM, Down DG, Barty R, Blake J, Chiang F, et al. From demand forecasting to inventory ordering decisions for red blood cells through integrating machine learning, statistical modeling, and inventory optimization. Transfusion. 2022;62(1):87-99. doi:10.1111/trf.16739.
5. Li N, Pham T, Cheng C, McElfresh DC, Metcalf RA, Russell WA, et al. Blood demand forecasting and supply management: an analytical assessment of key studies utilizing novel computational techniques. Transfus Med Rev. 2023;37(4):150768. doi:10.1016/j.tmrv.2023.150768.
6. Fallahnezhad M, Langarizadeh M, Vahabzadeh A. Key performance indicators of hospital supply chain: a systematic review. BMC Health Serv Res. 2024;24:1610. doi:10.1186/s12913-024-11954-5.
7. Unión Europea. Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo, de 27 de abril de 2016, relativo a la protección de las personas físicas en lo que respecta al tratamiento de datos personales. Diario Oficial de la Unión Europea. 2016;L119:1-88. Disponible en: https://eur-lex.europa.eu/eli/reg/2016/679/oj/spa
8. Unión Europea. Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. Diario Oficial de la Unión Europea. 2024. Disponible en: https://eur-lex.europa.eu/eli/reg/2024/1689/oj/spa