Machine learning para la gestión de inventarios de medicamentos en el Hospital José Agurto Tello de Chosica

• Autor: Manrique Rodriguez, Dijeim Solun
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/11476
• Enlace del recurso: https://hdl.handle.net/20.500.12867/11476
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Gestión de inventario; Predicción de expendio; https://purl.org/pe-repo/ocde/ford#2.02.04

El Hospital José Agurto Tello de Chosica es una organización estatal referencial y de emergencia en Lima Este, operando de manera ininterrumpida. Dentro de su estructura, el Servicio de Farmacia gestionó el inventario de medicamentos a través del sistema SIGSALUD, el cual carecía de herramientas predictivas para optimizar el abastecimiento. Para abordar esta problemática, se implementó un modelo de Machine Learning con el objetivo de predecir los niveles de inventario de medicamentos y mejorar la toma de decisiones. El estudio tuvo un enfoque cuantitativo, de tipo aplicado y de diseño no experimental, empleando registros históricos de expendio de medicamentos entre marzo de 2017 y diciembre de 2024. Se utilizó la metodología CRISP-DM para estructurar el análisis y modelado de datos. Se compararon los modelos XGBoost, LightGBM y LSTM mediante métricas como R², RMSE y MAE. Los resultados mostraron que XGBoost obtuvo el mejor desempeño, con un R² del 92% y un RMSE menor en comparación con los otros modelos, permitiendo predicciones precisas del expendio de medicamentos. Se concluyó que la implementación del modelo permitió estimar de manera más precisa la demanda de medicamentos en el hospital, facilitando la planificación del abastecimiento y la toma de decisiones en la gestión de inventarios.