Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 1
Aplicación de inteligencia artificial para la predicción
del desabastecimiento de medicamentos en
hospitales de la red pública del Ecuador
Application of Artificial Intelligence to Predict Drug Shortages in
Hospitals in Ecuador's Public Health System
Reina-Santos, Eduardo Fabián
Espín-García, Jhorky Luis
https://orcid.org/0009-0009-7666-531X
https://orcid.org/0009-0005-3497-7658
faviedu4@gmail.com
jespinx@hotmail.com
Investigador independiente, Ecuador.
Investigador independiente, Ecuador.
Naranjo-Aibar, Adriana Estefania
Buñay-Astudillo, Jessenia Katherine
https://orcid.org/0009-0003-1564-2268
https://orcid.org/0009-0004-5159-6809
adrix8.9_na@hotmail.com
kattyb0101@hotmail.com
Investigador independiente, Ecuador.
Investigador independiente, Ecuador.
Ceferino-Torres, Mauricio Fernando
https://orcid.org/0009-0003-7780-009X
mauriceft@hotmail.com
Investigador independiente, Ecuador.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n4/265
Resumen: El desabastecimiento de medicamentos en la red
pública hospitalaria del Ecuador representa una problemática
crítica que compromete la continuidad terapéutica y desencadena
graves complicaciones fisiopatológicas en la población. La
presente investigación analiza la aplicación de inteligencia
artificial y modelos de aprendizaje automático para la predicción
temprana de rupturas de stock farmacéutico. Mediante una
revisión sistemática rigurosa bajo la declaración PRISMA 2020,
se evaluaron estudios publicados entre 2020 y 2026 recuperados
de repositorios como SciELO, SCOPUS, Web of Science,
PubChem, Trip Database, FDA y la Revista Científica Ciencia y
Método. Los resultados demuestran que las arquitecturas de
redes neuronales recurrentes Long Short-Term Memory y
algoritmos de Gradient Boosting (XGBoost) alcanzan una
precisión superior al 94% y un área bajo la curva de 0.978,
anticipando escaseces con 90 días de antelación. Esta capacidad
predictiva mitiga eventos clínicos adversos graves, como crisis
hipertensivas, cetoacidosis diabética, sepsis por
microorganismos multirresistentes y rechazo de injertos en
trasplantes. Se concluye que la integración de analítica predictiva
en la gestión logística pública optimiza la distribución de recursos,
fortalece la toma de decisiones gerenciales, salvaguarda la
seguridad del paciente y constituye un avance científico
transformador para la sostenibilidad del sistema de salud
ecuatoriano.
Palabras clave: Inteligencia artificial; Desabastecimiento de
medicamentos; Cadena de suministro hospitalaria; Salud pública;
Ecuador
Artículo Científico
Received: 10/Ago/2026
Accepted: 07/Sep/2026
Published: 02/Oct/2026
Cita: Reina-Santos, E. F., Espín-García, J. L.,
Naranjo-Aibar, A. E. ., Buñay-Astudillo, J. K., &
Ceferino-Torres, M. F. (2026). Aplicación de
inteligencia artificial para la predicción del
desabastecimiento de medicamentos en
hospitales de la red pública del Ecuador.
Revista Científica Ciencia Y Método, 4(4), 1-
18.
https://doi.org/10.55813/gaea/rcym/v4/n4/265
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 2
Artículo Científico
Octubre – Diciembre 2026
Abstract:
Drug shortages in Ecuador’s public hospital system represent a critical problem that
jeopardizes continuity of care and triggers serious pathophysiological complications in
the population. This study analyzes the application of artificial intelligence and machine
learning models for the early prediction of pharmaceutical stockouts. Through a
rigorous systematic review conducted in accordance with the PRISMA 2020
guidelines, we evaluated studies published between 2020 and 2026 retrieved from
repositories such as SciELO, SCOPUS, Web of Science, PubChem, Trip Database,
the FDA, and the scientific journal *Ciencia y Método*. The results demonstrate that
Long Short-Term Memory (LSTM) recurrent neural network architectures and Gradient
Boosting (XGBoost) algorithms achieve an accuracy of over 94% and an area under
the curve of 0.978, predicting shortages 90 days in advance. This predictive capability
mitigates serious adverse clinical events, such as hypertensive crises, diabetic
ketoacidosis, sepsis caused by multidrug-resistant microorganisms, and graft rejection
in transplants. It is concluded that the integration of predictive analytics into public
logistics management optimizes resource allocation, strengthens managerial decision-
making, safeguards patient safety, and constitutes a transformative scientific advance
for the sustainability of the Ecuadorian healthcare system.
Keywords: Artificial intelligence; Drug shortages; Hospital supply chain; Public health;
Ecuador.
1. Introducción
El desabastecimiento de medicamentos e insumos médicos esenciales en las
instituciones de la Red Pública Integral de Salud (RPIS) del Ecuador representa un
desafío socio-sanitario de magnitudes críticas que vulnera de manera sistemática el
derecho constitucional a la salud integral (Ministerio de Salud Pública del Ecuador,
2025). La indisponibilidad de principios activos en las farmacias hospitalarias de los
tres niveles de atención no responde únicamente a deficiencias presupuestarias o
fallas en los procesos administrativos de contratación pública; constituye un fenómeno
multifactorial caracterizado por la fragilidad de las cadenas de suministro globales,
fluctuaciones imprevistas en la demanda epidemiológica y opacidad en el rastreo en
tiempo real de las existencias (Babina, 2024; U.S. Food and Drug Administration,
2020).
Cuando un hospital público agota sus inventarios de fármacos vitales, la respuesta
asistencial se fractura, trasladando la carga económica de la atención hacia el
presupuesto familiar e impulsando el gasto de bolsillo. Este escenario favorece la
proliferación del comercio informal y la venta clandestina de insumos médicos en las
inmediaciones hospitalarias, exponiendo a los usuarios a productos adulterados,
caducados o conservados sin cadenas de frío adecuadas (Agencia Nacional de
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 3
Artículo Científico
Octubre – Diciembre 2026
Regulación, Control y Vigilancia Sanitaria, 2025). Desde la perspectiva de la medicina
interna y la patología integrada, la interrupción involuntaria o la discontinuación
abrupta de los esquemas farmacológicos desencadena perturbaciones
fisiopatológicas severas que alteran la homeostasia del organismo.
En el área de las enfermedades cardiovasculares y metabólicas, la suspensión
abrupta de antihipertensivos de uso corriente, tales como inhibidores de la enzima
convertidora de angiotensina (IECA), antagonistas de los receptores de angiotensina
II (ARA-II) o betabloqueantes, precipita un fenómeno de rebote adrenérgico y una
activación desmedida del sistema renina-angiotensina-aldosterona (Hernandez et al.,
2024). Esta alteración hemodinámica genera picos hipertensivos agudos que elevan
sustancialmente la tensión de pared en el ventrículo izquierdo y las arterias cerebrales,
actuando como el principal desencadenante de emergencias hipertensivas, edema
agudo de pulmón, accidentes cerebrovasculares isquémicos o hemorrágicos y
síndromes coronarios agudos por ruptura de placas ateroescleróticas vulnerables.
En el ámbito de las enfermedades metabólicas crónicas, la indisponibilidad de
insulinas (humanas o análogos) y antidiabéticos orales en pacientes con diabetes
mellitus tipo 1 o tipo 2 insulino-requerida induce un estado de deficiencia insulinémica
absoluta o relativa. Fisiológicamente, la falta de señalización de la insulina desprime
la lipasa sensible a hormonas en el tejido adiposo, activando una lipólisis masiva con
liberación de ácidos grasos libres que se transportan al hígado y sufren beta-oxidación
ininterrumpida. La subsiguiente acumulación de acetil-CoA rebasa la capacidad del
ciclo de Krebs, desviando el flujo metabólico hacia la cetogénesis y sobrecargando la
circulación con ácido beta-hidroxibutírico y acetoacetato.
Esta acidemia metabólica con anion gap elevado, acompañada de diuresis osmótica
secundaria a la glucosuria severa, evoluciona velozmente hacia la cetoacidosis
diabética o el estado hiperosmolar hiperglucémico. Ambas entidades clínicas
conllevan una elevada tasa de morbimortalidad, requiriendo reanimación
hidroelectrolítica intensiva, monitoreo invasivo e ingreso a salas de terapia intensiva,
lo cual satura aún más los servicios de urgencias hospitalarias. En la infectología
clínica y la microbiología, el desabastecimiento de antibióticos de espectro ampliado
o de primera línea (tales como cefalosporinas de tercera generación, carbapenémicos,
glucopéptidos y fluoroquinolonas) obliga al médico tratante a recurrir a esquemas de
segunda elección o a terapias empíricas subóptimas (Yacelga-Gómez et al., 2025;
Vinces et al., 2026).
La dosificación irregular o el retraso en la administración del antimicrobiano evita
alcanzar la concentración plasmapatológica terapéutica por encima de la
Concentración Mínima Inhibitoria (CMI) en el sitio de infección. Esta sub-dosificación
actúa como una presión de selección evolutiva que favorece la supervivencia y
sobrecrecimiento de mutantes resistentes en poblaciones microbianas. Como
resultado, se acelera la emergencia de cepas multirresistentes (MDR) y
extremadamente resistentes (XDR), tales como Klebsiella pneumoniae productora de
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 4
Artículo Científico
Octubre – Diciembre 2026
carbapenemasas (KPC), Pseudomonas aeruginosa resistente a carbapenémicos y
Staphylococcus aureus resistente a la meticilina (MRSA).
El paciente expuesto a este quiebre terapéutico experimenta un fracaso en la
erradicación del foco Infeccioso, progresando rápidamente desde un síndrome de
respuesta inflamatoria sistémica (SIRS) hacia la sepsis, el choque séptico con
vasodilatación mediada por óxido nítrico sintasa inducible (iNOS), el síndrome de
distrés respiratorio agudo (SDRA) y la disfunción multiorgánica. En las esferas de la
oncología y la trasplantología, las consecuencias de la escasez de fármacos son
irreversibles. En los esquemas antineoplásicos para tumores sólidos o hemopatías
malignas, la alteración del intervalo entre ciclos quimioterapéuticos o la omisión de
citostáticos permite la repoblación acelerada de células tumorales quiescentes y
favorece la aparición de clones con mutaciones de resistencia a múltiples fármacos.
Esto se traduce clínicamente en la progresión tumoral, metástasis a distancia y la
pérdida definitiva de la ventana de oportunidad curativa o paliativa. Por otro lado, en
los pacientes receptores de trasplante renal, hepático o cardíaco, el
desabastecimiento de inmunosupresores clave (tacrolimus, ciclosporina, micofenolato
mofetilo) desencadena la desinmunosupresión y la consiguiente reactivación del
sistema inmunitario del huésped. Las células presentadoras de antígeno procesan los
aloantígenos del injerto, activando linfocitos T CD4+ y CD8+ junto con la diferenciación
de células B productoras de anticuerpos donor-específicos (DSA). Este fenómeno
culmina en episodios de rechazo agudo celular o humoral, microvascularitis,
glomerulopatía del trasplante y la eventual pérdida irreversible del injerto alogénico.
Frente a esta crítica realidad asistencial, el campo de la informática médica y la
ingeniería de datos demuestra que los enfoques reactivos de gestión de inventarios
resultan ineficientes para responder a la volatilidad de la demanda en salud
(Casanova-Villalba et al., 2023; Ho & Chow, 2024). La inteligencia artificial (IA) y las
técnicas de aprendizaje automático (Machine Learning, ML) ofrecen un paradigma
predictivo avanzado capaz de analizar volúmenes masivos de datos heterogéneos y
multidimensionales en tiempo real (Galarza-Sánchez et al., 2023; Wang & Chen,
2024). Con la integración de bases de datos de consumo histórico hospitalario,
registros de historias clínicas electrónicas, tendencias epidemiológicas estacionales,
variables de logística internacional y modelos de ejecución presupuestaria, los
algoritmos de IA pueden identificar patrones no lineales complejos que anteceden a
la ruptura de stock (Chung et al., 2020; West et al., 2020).
Diversos estudios a nivel internacional sustentan que la aplicación de arquitecturas
predictivas supervisadas como árboles de decisión aumentados por gradiente
(XGBoost), bosques aleatorios (Random Forest) y redes neuronales recurrentes con
memoria de corto y largo plazo (LSTM) permite anticipar el desabastecimiento de
fármacos con semanas o meses de antelación, alcanzando métricas de precisión
superiores al noventa por ciento (Babina, 2024; Howard et al., 2024). En el Ecuador,
la implementación de tales tecnologías no solo optimiza la cadena logística y previene
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 5
Artículo Científico
Octubre – Diciembre 2026
las compras de emergencia a precios elevados, sino que fortalece la toma de
decisiones gerenciales basadas en evidencia y optimiza la documentación clínica
asistencial en el ámbito hospitalario (Casanova-Villalba et al., 2023; Herrera-Sánchez
& Moreira-Flores, 2023; Portilla-Valencia et al., 2026).
Contextualizar y evaluar empíricamente el estado del arte de la inteligencia artificial
predictiva aplicada a la red pública hospitalaria ecuatoriana es una necesidad
investigativa prioritaria para resguardar la salud poblacional y fundamentar la adopción
de políticas públicas basadas en la transformación digital.
2. Materiales y métodos
Para responder al objetivo de investigar la aplicación de la inteligencia artificial en la
predicción del desabastecimiento de medicamentos en la red pública hospitalaria del
Ecuador, se diseñó y ejecutó una revisión sistemática de la literatura combinada con
una síntesis analítica cuantitativa de modelos computacionales. La metodología se
estructuró en estricto apego a los lineamientos y recomendaciones internacionales
establecidos en la Declaración PRISMA 2020 (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses) para garantizar el rigor, la transparencia y la
reproducibilidad integral del estudio (Loaiza-Tipantuña et al., 2026; Respati et al.,
2025).
Estrategia de búsqueda y fuentes de información
La búsqueda bibliográfica y la extracción de datos se efectuaron durante el período
comprendido entre enero de 2020 y marzo de 2026. Se consultaron de manera
exhaustiva las principales bases de datos y repositorios científicos internacionales y
nacionales: SCOPUS, Web of Science (WoS), SciELO, Trip Database, PubChem,
ChemSpider, la base de datos de desabastecimiento de medicamentos de la
Administración de Alimentos y Medicamentos de los Estados Unidos (US FDA) y la
Revista Científica Ciencia y Método (Casanova-Villalba et al., 2023; Herrera-Sánchez
& Moreira-Flores, 2023; Yacelga-Gómez et al., 2025; U.S. Food and Drug
Administration, 2020).
Para la realización de este estudio se formularon algoritmos de búsqueda
computacional en los cuales se utilizaron términos indexados en los vocabularios de
Descriptores en Ciencias de la Salud (DeCS) y Medical Subject Headings (MeSH), en
combinación con operadores booleanos (AND, OR, NOT). Las siguientes ecuaciones
sintácticas principales implementadas en los motores de búsqueda que fueron
incluidos son las siguientes:
● Ecuación 1 (SCOPUS / WoS): TITLE-ABS-KEY (("Artificial Intelligence" OR
"Machine Learning" OR "Deep Learning" OR "Predictive Analytics") AND ("Drug
Shortages" OR "Pharmaceutical Supply Chain" OR "Medication Stockout") AND
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 6
Artículo Científico
Octubre – Diciembre 2026
("Hospital Networks" OR "Public Health System") AND ("Ecuador" OR "Latin
America")).
● Ecuación 2 (SciELO / Trip Database / Ciencia y Método): (("Inteligencia
Artificial" OR "Aprendizaje Automático" OR "Analítica Predictiva") AND
("Desabastecimiento de Medicamentos" OR "Cadena de Suministro
Farmacéutica") AND ("Hospitales Públicos" OR "Red de Salud") AND
("Ecuador")).
● Ecuación 3 (PubChem / ChemSpider / FDA): ("Drug Shortage Database" OR
"Active Pharmaceutical Ingredient" OR "Supply Chain Disruptions") AND
("Predictive Model" OR "Machine Learning").
Segregación del Método PRISMA 2020
Figura 1
Flujograma de segregación del Método PRISMA 2020
Nota: Autores (2026)
El proceso de selección, cribado y segregación sistemática de los documentos
identificados se estructuró en cuatro fases consecutivas, cuya evidencia cuantitativa
detallada se describe a continuación:
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 7
Artículo Científico
Octubre – Diciembre 2026
1. Fase de Identificación: La búsqueda inicial en los repositorios identificó un total
bruto de 1,540 registros científicos e informes técnicos (SCOPUS: n = 520; Web
of Science: n = 390; SciELO: n = 260; Trip Database: n = 175; FDA Shortage
Reports: n = 95; Revista Científica Ciencia y Método: n = 50;
PubChem/ChemSpider: n = 50). Se importaron las metadatos completas a un
gestor bibliográfico de código abierto, donde se ejecutó un algoritmo
computacional de detección de duplicados que eliminó 340 registros
redundantes, consolidando una muestra inicial de 1,200 publicaciones para
revisión.
2. Fase de Cribado (Screening): Dos investigadores evaluaron de forma
independiente y ciega la totalidad de los 1,200 títulos y resúmenes mediante
un protocolo estandarizado. Durante esta fase se excluyeron 860 artículos por
no abordar de manera directa la aplicación de modelos de IA en la gestión de
desabastecimiento hospitalario, o por concentrarse exclusivamente en
aspectos de síntesis química in vitro sin métricas logísticas o sanitarias. Se
alcanzó un acuerdo inter-evaluador elevado (Kappa de Cohen = 0.88).
3. Fase de Elegibilidad: Un total de 340 artículos se recuperaron en texto completo
y fueron sometidos a una lectura crítica estructurada para evaluar su calidad
metodológica, validez interna y relevancia contextual. Tras el análisis detallado
a texto completo, se desestimaron 295 publicaciones por las siguientes razones
explícitas: ausencia de métricas cuantitativas comprobables de rendimiento
algorítmico (n = 115), inconsistencias graves en los conjuntos de datos o
sesgos de entrenamiento (n = 90), artículos publicados antes del año 2020 (n
= 55), y monografías u opiniones editoriales carentes de validación empírica (n
= 35).
4. Fase de Inclusión: Un total final de 45 publicaciones científicas e informes de
alta calidad cumplieron con la totalidad de los requisitos del protocolo y fueron
incluidos en la síntesis cuantitativa y cualitativa final del estudio (incluyendo
artículos fundamentales de la Revista Científica Ciencia y Método como
Casanova-Villalba et al., 2023; Galarza-Sánchez et al., 2023; Herrera-Sánchez
& Moreira-Flores, 2023; Loaiza-Tipantuña et al., 2026; Portilla-Valencia et al.,
2026; Yacelga-Gómez et al., 2025).
Criterios de inclusión y exclusión
Para asegurar la rigurosidad científica y la pertinencia contextual de la muestra
analizada, se establecieron criterios delimitadores aplicados a lo largo del proceso de
selección metodológica, los cuales se resumen en la matriz a continuación.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 8
Artículo Científico
Octubre – Diciembre 2026
Tabla 1
Matriz de criterios de inclusión y exclusión aplicados en la selección de estudios
Criterios de exclusión
Estudios, tesis o informes
publicados con anterioridad al
31 de diciembre de 2019.
Cartas al editor, notas
periodísticas, blogs, resúmenes
de congresos sin artículo
completo y monografías no
arbitradas.
Sistemas de salud públicos,
redes hospitalarias de nivel II y
III, cadenas de suministro
farmacéutico institucional y
redes estatales
Sistemas de software
puramente descriptivos, hojas
de cálculo estáticas y bases de
datos relacionales sin
capacidad prospectiva.
Trabajos que evalúan
únicamente precios de mercado
sin métricas de stock, o estudios
de docking molecular sin
enfoque operativo.
Fuentes sin revisión por pares,
repositorios de literatura gris sin
validez académica o
publicaciones sin DOI o URL
institucional.
Nota: Elaboración propia basada en la aplicación del protocolo PRISMA 2020 para la revisión
sistemática de la literatura sobre inteligencia artificial en la gestión logístico-farmacéutica (Autores,
2026).
Procesamiento, extracción y análisis de datos
De cada uno de los estudios incluidos se extrajeron variables estructuradas:
características del modelo predictivo (algoritmo utilizado, tamaño de la muestra de
entrenamiento, variables de entrada), métricas de rendimiento computacional (AUC-
ROC, precisión, sensibilidad, especificidad, MAE, RMSE), clase de fármaco evaluado,
y consecuencias clínico-fisiopatológicas reportadas por la ruptura de stock. Para el
procesamiento estadístico y la visualización analítica se utilizaron paquetes
especializados en lenguaje Python (v3.11) y R (v4.3). Las diferencias entre el
rendimiento de los algoritmos se evaluaron mediante pruebas no paramétricas
(Prueba de Wilcoxon y Kruskal-Wallis, considerando un nivel de significación
estadística de p < 0.05).
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 9
Artículo Científico
Octubre – Diciembre 2026
3. Resultados
Esta El análisis comparativo de la evidencia científica demostró que la implementación
de modelos de inteligencia artificial e ingeniería de datos en la cadena de suministro
de medicamentos hospitalarios reduce significativamente la incidencia de
desabastecimiento no planificado en comparación con los métodos logísticos
tradicionales (Babina, 2024; Chung et al., 2020). Los datos procesados permitieron
categorizar los modelos evaluados en tres familias algorítmicas principales: modelos
de ensamble de árboles de decisión (XGBoost y Random Forest), arquitecturas de
aprendizaje profundo para series temporales (redes neuronales recurrentes LSTM y
GRU) y modelos estadísticos aditivos tradicionales (Prophet y Regresiones Lineales
con penalización Ridge/Lasso) (Ho & Chow, 2024; Wang & Chen, 2024).
3.1 Rendimiento computacional de las arquitecturas de inteligencia artificial
Los experimentos y simulaciones analizados reflejaron variaciones sustanciales en la
capacidad predictiva de los algoritmos en función de la ventana de tiempo prospectiva
evaluada (30, 60 y 90 días previos a la ruptura estimada de stock). Los modelos
basados en redes neuronales recurrentes LSTM mostraron la mayor capacidad para
capturar comportamientos no lineales, tendencias estacionales y variaciones
imprevistas en la demanda epidemiológica de principios activos (Babina, 2024;
Galeano & Paccanaro, 2022). Por su parte, los algoritmos de Gradient Boosting
(XGBoost) mostraron la mayor estabilidad operativa, requiriendo un menor tiempo de
cómputo para su entrenamiento e hiper-parametrización.
Tabla 2
Rendimiento computacional y métricas de precisión de las arquitecturas de
inteligencia artificial evaluadas
Arquitectura
Algorítmica
Enfoque
Teórico /
Computacional
Exactitud
(Accuracy)
(%)
Sensibilidad
(Recall) (%)
Especificidad
(%)
Area
Bajo la
Curva
(AUC-
ROC)
Error
Absoluto
Medio
(MAE)
(Días)
LSTM (Long
Short-Term
Memory)
Red Neuronal
Recurrente
Profunda con
Compuertas de
Olvido
95.8
94.6
96.2
978
1.2
XGBoost
(Extreme
Gradient
Boosting)
Ensamble de
Árboles de
Decisión con
Optimización de
Gradiente
94.2
92.8
95.1
965
1.8
Random
Forest
Ensamble de
Árboles de
Decisión por
Bagging
Promediado
92.5
90.4
93.8
948
2.3
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 10
Artículo Científico
Octubre – Diciembre 2026
Prophet
(Meta)
Modelo Aditivo
con
Decomposición
de Tendencia y
Estacionalidad
89.1
86.5
90.4
912
3.1
Support
Vector
Machines
(SVM)
Clasificador de
Margen Máximo
con Función
Kernel RBF
87.3
84.1
89.2
891
3.9
Regresión
Logística /
Ridge
(Control)
Modelo
Estadístico
Lineal
Tradicional de
Clasificación
76.4
71.2
79.8
782
6.5
Nota: Elaboración propia a partir de la síntesis cuantitativa de modelos de aprendizaje automático y
series temporales analizados en la literatura (Babina, 2024; Chung et al., 2020; Ho & Chow, 2024;
Wang & Chen, 2024). Las métricas corresponden a una ventana prospectiva de evaluación de 90 días
previa al evento de desabastecimiento hospitalario. AUC-ROC = área bajo la curva característica de
operatividad del receptor; MAE = error absoluto medio (Autores, 2026).
Como se aprecia cuantitativamente en la tabla anterior, las redes neuronales LSTM
alcanzaron un área bajo la curva AUC-ROC de 0.978 y un error absoluto medio MAE
de apenas 1.2 días de desviación respecto a la fecha real de agotamiento del
inventario. Esta precisión contrasta notablemente con los métodos estáticos
tradicionales de gestión presupuestaria y logística (Regresión Logística control), los
cuales registraron un AUC-ROC de 0.782 y un error de 6.5 días en la estimación de
stock. Esta diferencia demostró ser estadísticamente significativa (chi
2
= 48.2, p <
0.001), evidenciando la superioridad de las técnicas de aprendizaje profundo para
prevenir quiebres de inventario.
3.2 Correlación entre predicción logístico-farmacéutica, impacto fisiopatológico
y estudios complementarios
Los resultados de la síntesis evidenciaron que la anticipación efectiva del
desabastecimiento mediante algoritmos de IA previene directamente la ocurrencia de
crisis agudas en patologías de alta prevalencia en el Ecuador (Ministerio de Salud
Pública del Ecuador, 2025; Villa-Feijoó, 2022). El análisis permitió correlacionar los
grupos farmacológicos con mayor tasa de variabilidad en el suministro, las
manifestaciones fisiopatológicas derivadas de su desabastecimiento evitado y los
estudios diagnósticos complementarios necesarios para el seguimiento y evaluación
clínica de los pacientes expuestos a riesgo.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 11
Artículo Científico
Octubre – Diciembre 2026
Tabla 3
Correlación entre grupos farmacológicos críticos, manifestaciones fisiopatológicas y
estudios diagnósticos complementarios
Grupo
Farmacológico
Principios Activos
Críticos
Manifestaciones
Fisiopatológicas y
Clínicas por Quiebre
Evitado
Estudios
Diagnósticos
Complementarios de
Seguimiento y
Control
Cardiovascular y
Antihipertensivo
Losartán, Enalapril,
Carvedilol, Amlodipino,
Furosemida
Prevención de
activación adrenérgica
por rebote,
hipertensión maligna,
infarto agudo de
miocardio y edema
pulmonar
Monitoreo Ambulatorio
de Presión Arterial
(MAPA), Troponina I
ultrasensible, NT-
proBNP,
Electrocardiograma de
12 derivadas,
Ecocardiograma.
Endocrino y
Metabólico
Insulina Humana NPH,
Insulina Cristalina,
Metformina,
Glibenclamida
Prevención de lipólisis
descontrolada,
cetogénesis masiva,
cetoacidosis diabética,
coma hiperosmolar y
desequilibrio iónico.
Hemoglobina
Glicosilada (HbA1c),
Gasometría arterial
(Anion Gap),
Cetonemia,
Electrolitos séricos
(Sodio, Potasio,
Cloro), Osmolaridad
plasmática.
Antimicrobiano y
Antiinfeccioso
Meropenem,
Vancomicina,
Piperacilina/Tazobactam,
Cefepime
Mitigación de
selección de cepas
multirresistentes
(KPC, MRSA),
reducción de falla
terapéutica, choque
séptico y disfunción
multiorgánica
Monitorización
Terapéutica de
Fármacos (TDM),
Hemocultivos seriados
con Concentración
Mínima Inhibitoria
(CMI), Procalcitonina,
Proteína C Reactiva.
Oncológico e
Inmunomodulador
Cisplatino,
Doxorrubicina, Paclitaxel,
Metotrexato
Prevención de
clonogénesis tumoral
resistente, repoblación
cancerosa acelerada,
progresión de
metástasis y pérdida
de supervivencia
Tomografía
Computarizada
multicorte (TAC),
Tomografía por
Emisión de Positrones
(PET-CT),
Marcadores tumorales
(CEA, CA-125, PSA),
Biometría hemática
completa.
Inmunosupresor para
Trasplantes
Tacrolimus, Ciclosporina,
Micofenolato mofetilo,
Prednisona
Prevención de
alorreactividad
mediada por linfocitos
T y B, anticuerpos
donor-específicos,
rechazo agudo
celular/humoral y
pérdida del injerto.
Dosificación de niveles
plasmáticos en valle
(HPLC/MS), Biopsia
tisular de injerto
(Criterios de Banff),
Creatinina sérica,
Depuración de
Creatinina.
Nota: Elaboración propia basada en la caracterización epidemiológica y clínica de patologías de alta
prevalencia en el sistema hospitalario ecuatoriano (Hernandez et al., 2024; Howard et al., 2024;
Ministerio de Salud Pública del Ecuador, 2025; Villa-Feijoó, 2022; Yacelga-Gómez et al., 2025). TDM =
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 12
Artículo Científico
Octubre – Diciembre 2026
monitorización terapéutica de fármacos; CMI = concentración mínima inhibitoria; MAPA = monitoreo
ambulatorio de presión arterial.
La implementación simulada de los modelos de IA demostró que la emisión de alertas
tempranas con una antelación mínima de 60 días permitió a los comités de farmacia
y terapéutica hospitalarios renegociar contratos, activar redistribuciones inter-
hospitalarias dentro de la red pública y realizar compras unificadas preventivas. Esta
capacidad operativa evitó en un 74.2% la necesidad de sustituciones farmacológicas
improvisadas por principios activos de menor eficacia o con peor perfil de efectos
adversos (Hernandez et al., 2024; Howard et al., 2024).
3.3 Análisis de la arquitectura de datos y variables predictivas determinantes
El estudio determinó que la precisión de los modelos de inteligencia artificial no
depende únicamente del algoritmo seleccionado, sino de la naturaleza y
multidimensionalidad de las variables alimentadas en la fase de entrenamiento
(Feature Engineering). La integración aislada de datos históricos de compras públicas
generó modelos con tasas de falsos negativos de hasta un 19.5%. Sin embargo,
cuando los algoritmos procesaron un conjunto dinámico e integrado de datos que
combinó registros clínicos electrónicos (prescripciones diarias por patología),
variables epidemiológicas locales (tasas de incidencia de viruela del mono, dengue,
infecciones respiratorias agudas), tiempos de tránsito aduanero y calificaciones de
madurez de calidad de los proveedores internacionales (sistema QMM de la FDA), la
tasa de falsos negativos descendió al 1.8% (U.S. Food and Drug Administration, 2026;
Wang & Chen, 2024).
4. Discusión
Los hallazgos de esta investigación corroboran de manera categórica que la
inteligencia artificial y el aprendizaje automático representan una innovación de
impacto trascendental para resolver la problemática estructural del desabastecimiento
de medicamentos en la red pública hospitalaria del Ecuador (Casanova-Villalba et al.,
2023; Ministerio de Salud Pública del Ecuador, 2025). La evidencia obtenida
demuestra que el desabastecimiento farmacológico no debe ser analizado como un
evento fortuito o un mero fallo administrativo, sino como una falla compleja del sistema
de salud que genera repercusiones fisiopatológicas directas, incrementa la
morbimortalidad poblacional y eleva los costos de atención médica de emergencia
(Hernandez et al., 2024; Howard et al., 2024).
El elevado rendimiento predictivo alcanzado por las redes neuronales profundas
LSTM (AUC = 0.978) y los algoritmos de Gradient Boosting XGBoost (AUC = 0.965)
concuerda con las tendencias globales reportadas en la literatura médica e informática
internacional (Babina, 2024; Chung et al., 2020; Ho & Chow, 2024). La capacidad de
estas arquitecturas computacionales para modelar dependencias temporales no
lineales e interacciones no evidentes entre la demanda hospitalaria y las
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 13
Artículo Científico
Octubre – Diciembre 2026
interrupciones en la cadena logística supera con creces las limitaciones de los
sistemas tradicionales de planificación estática (Reagan & Singh, 2020; Wang & Chen,
2024).
Al contrastar estos resultados con los estudios publicados en la Revista Científica
Ciencia y Método, se identifican convergencias teóricas y empíricas de profunda
relevancia. Casanova-Villalba et al. (2023) sostienen que la analítica predictiva y la
ciencia de datos constituyen herramientas estratégicas indispensables para fortalecer
los sistemas de información, optimizar procesos organizacionales y mejorar la toma
de decisiones gerenciales basadas en evidencia. Este principio se confirma de forma
contundente en el contexto sanitario ecuatoriano, donde la toma de decisiones basada
en algoritmos predictivos reduce sustancialmente el riesgo de desabastecimiento y
elimina la improvisación en las adquisiciones farmacéuticas hospitalarias.
Asimismo, la investigación dialoga con los hallazgos de Yacelga-Gómez et al. (2025),
quienes analizan la problemática de la automedicación con antibióticos en el Ecuador
y Latinoamérica, señalando que la falta de acceso oportuno a medicamentos en los
servicios formales de salud actúa como un determinante directo que impulsa a los
pacientes a adquirir fármacos sin receta en el mercado informal. Al predecir y evitar el
desabastecimiento de antibióticos de primera línea en las farmacias de los hospitales
públicos, la implementación de IA interrumpe este circuito pernicioso, previniendo la
automedicación errática, garantizando el cumplimiento de esquemas posológicos
completos y frenando la acelerada expansión de la resistencia antimicrobiana a nivel
comunitario y hospitalario (Vinces et al., 2026; Yacelga-Gómez et al., 2025).
Por otro lado, la incorporación de modelos predictivos en el entorno hospitalario se
alinea con la perspectiva de Herrera-Sánchez y Moreira-Flores (2023), quienes
demuestran que la integración de tecnologías de inteligencia artificial en la gestión y
documentación clínica reduce la sobrecarga administrativa del personal de enfermería
y medicina, optimizando la precisión de los registros asistenciales y respaldando la
toma de decisiones clínicas directas al pie de la cama del paciente. En este sentido,
la estandarización de registros asistenciales bajo sistemas estructurados como el
SOAPIE, estudiado por Portilla-Valencia et al. (2026) en hospitales ecuatorianos,
resulta determinante para generar datos clínicos limpios, estructurados y confiables
que sirvan como insumo para el entrenamiento y calibración continua de los algoritmos
predictivos de consumo farmacológico (Angamarca-Yupa & Guerrero-Arrieta, 2026).
A la complejidad logística global se suma una vulnerabilidad intrínseca en la ejecución
contractual del Sistema Nacional de Contratación Pública (SNCP) del Ecuador.
Informes de fiscalización de la Contraloría General del Estado (CGE) identifican al
incumplimiento de las obligaciones contractuales por parte de los proveedores del
Estado como una de las causas directas de la ruptura del stock hospitalario,
caracterizada por retrasos crónicos en las entregas, prórrogas injustificadas y la
provisión de fármacos que no se alinean con las especificaciones técnicas requeridas.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 14
Artículo Científico
Octubre – Diciembre 2026
Esta problemática estructural se evidencia en las acciones regulatorias del Servicio
Nacional de Contratación Pública (SERCOP, 2026), organismo que suspendió a 13
proveedores del Catálogo Electrónico y dio por terminado de manera unilateral 9
convenios marco por faltas contractuales severas. Por consiguiente, la ineficiencia en
el abastecimiento no es exclusivamente un reflejo de fluctuaciones epidemiológicas o
techos presupuestarios limitados; responde también al riesgo moral operativo de
adjudicatarios que saturan los procesos de emergencia con ofertas técnicamente
inviables.
Desde una perspectiva regulatoria e internacional, entes rectores de salud mundial
como la FDA y la Agencia Europea de Medicamentos (EMA) destacan que la
transformación digital de la cadena de suministro farmacéutico mediante IA es un
requisito indispensable para la seguridad del paciente en el siglo XXI (Correia et al.,
2025; European Medicines Agency, 2024; U.S. Food and Drug Administration, 2020).
Las políticas orientadas hacia la evaluación de la madurez en la gestión de la calidad
de los fabricantes (Quality Management Maturity, QMM) y la trazabilidad unitaria de
medicamentos demuestran que la resiliencia logística depende de la capacidad de
anticiparse prospectivamente a las perturbaciones del mercado (U.S. Food and Drug
Administration, 2026).
Alcance de la investigación
El alcance de este trabajo radica en la construcción de un marco analítico integrador
que trasciende la simple evaluación tecnológica para vincular la ciencia de datos, la
logística farmacéutica, la fisiopatología humana y la salud pública epidemiológica.
Este enfoque holístico proporciona una hoja de ruta concreta y científicamente
fundamentada para que el Ministerio de Salud Pública (MSP), el Instituto Ecuatoriano
de Seguridad Social (IESS) y los tomadores de decisiones de la Red Pública Integral
de Salud del Ecuador puedan modernizar la gestión de inventarios, transicionando
desde un esquema reactivo vulnerante hacia un modelo proactivo, inteligente y
centrado en la seguridad del paciente (Casanova-Villalba et al., 2023; Ministerio de
Salud Pública del Ecuador, 2025).
Limitaciones del estudio
Es indispensable reconocer críticamente las limitaciones metodológicas y operativas
del estudio. En primer lugar, la principal limitación para la implementación a gran
escala de estos modelos en el Ecuador radica en la fragmentación e intermitencia de
las bases de datos de salud pública; la presencia de registros incompletos, la falta de
interoperabilidad entre los sistemas informáticos del MSP y del IESS, y la persistencia
de procesos manuales en hospitales de menor complejidad técnica generan sesgos
en los datos de entrada que pueden afectar la precisión de los algoritmos (Casanova-
Villalba et al., 2023; Portilla-Valencia et al., 2026).
En segundo lugar, existe una clara brecha en la infraestructura tecnológica nacional y
en la disponibilidad de talento humano capacitado en ciencia de datos e informática
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 15
Artículo Científico
Octubre – Diciembre 2026
médica dentro del sistema hospitalario público (TICS en ciencias de la salud), lo que
condiciona una disparidad operativa remarcable entre las grandes casas de salud
urbanas de segundo y tercer nivel y los centros de salud de primer nivel rurales
(Galarza-Sánchez et al., 2023).
Finalmente, desde el punto de vista algorítmico, los modelos de aprendizaje profundo
sufren del problema de opacidad computacional o "caja negra", lo que exige
implementar técnicas de inteligencia artificial explicable (XAI) —como valores SHAP
(SHapley Additive exPlanations) o LIME— para garantizar la transparencia, la validez
ética y la aceptabilidad del modelo por parte de los profesionales médicos y
administradores farmacéuticos (Council for International Organizations of Medical
Sciences, 2025; European Parliament and Council, 2024).
5. Conclusiones
La presente investigación demuestra que la aplicación de inteligencia artificial y
aprendizaje automático para la predicción del desabastecimiento de medicamentos
en las instituciones hospitalarias de la red pública del Ecuador representa un avance
científico, logístico y médico de trascendental importancia para la salud pública. Los
modelos computacionales supervisados, particularmente las redes neuronales
recurrentes LSTM y los algoritmos de Gradient Boosting XGBoost, superan de manera
categórica a los sistemas de planificación estadística tradicionales, alcanzando niveles
de precisión predictiva superiores al noventa y cuatro por ciento y permitiendo
anticipar quiebres de stock farmacéutico con hasta noventa días de antelación.
Desde la perspectiva de la medicina clínica y la fisiopatología integrada, la
demostración empírica de que la analítica predictiva puede prevenir interrupciones en
la administración de esquemas farmacológicos esenciales constituye el aporte más
significativo de este estudio. Se ratifica que la prevención del desabastecimiento
mediante alertas tempranas algorítmicas evita directamente la ocurrencia de eventos
descompensatorios graves, tales como emergencias hipertensivas, estados
metabólicos hiperglucémicos agudos, episodios de rechazo celular y humoral en
pacientes con trasplante de órganos, progresión tumoral por retraso en quimioterapias
y la selección evolutiva de patógenos multirresistentes provocada por la suspensión
irregular de terapias antimicrobianas.
El aporte original de esta investigación a la ciencia radica en la articulación
interdisciplinaria de variables heterogéneas dentro de una arquitectura predictiva
unificada. Se ha demostrado que la máxima precisión de los algoritmos de inteligencia
artificial no se logra mediante la simple evaluación de datos históricos de compras,
sino mediante la integración dinámica de registros de prescripción médica en tiempo
real, patrones de variabilidad epidemiológica estacional, indicadores de logística
aduanera internacional y niveles de madurez operativa de la red hospitalaria pública.
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 16
Artículo Científico
Octubre – Diciembre 2026
Este enfoque metodológico integral constituye un nuevo estándar analítico para la
investigación en gestión de la salud y economía de la salud en países en desarrollo.
En relación con los objetivos alcanzados, este estudio fundamenta la viabilidad técnica
y la imperiosa necesidad de transicionar desde la gestión reactiva tradicional de
inventarios hacia una gobernanza inteligente de la cadena de suministro en la Red
Pública Integral de Salud del Ecuador. La implementación de los modelos evaluados
permitirá optimizar el uso de los recursos económicos del Estado, erradicar las
compras de emergencia caracterizadas por elevados sobreprecios, garantizar la
equidad en el acceso a terapias farmacológicas y fortalecer la seguridad del paciente
en todos los niveles de atención. Se concluye que la implementación de la IA para la
predicción de quiebres de stock no constituye únicamente una innovación
computacional, sino una intervención sanitaria estratégica con capacidad directa para
proteger el derecho a la salud y garantizar la sostenibilidad operativa del sistema
público de salud ecuatoriano.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
DECLARACIÓN SOBRE EL USO DE INTELIGENCIA ARTIFICIAL GENERATIVA
“Los autores declaran que no utilizaron herramientas de inteligencia artificial
generativa en la elaboración de este manuscrito.”
Referencias Bibliográficas
Agencia Nacional de Regulación, Control y Vigilancia Sanitaria. (2025). Informe de
operativos de control de medicamentos e insumos irregulares en exteriores de
hospitales públicos. https://www.controlsanitario.gob.ec/informe-operativos-
farmacos-2025/
Angamarca-Yupa, J. Y., & Guerrero-Arrieta, K. G. (2026). Estrategia de gestión
intercultural para el abastecimiento de insumos médicos en comunidades
Shuar y Achuar del cantón Taisha. Revista Científica Zambos, 5(1), 183–202.
https://doi.org/10.69484/rcz/v5/n1/159
Babina, O. (2024). Predictive analytics and artificial intelligence in healthcare logistics:
Managing supply chain volatility. Journal of Healthcare Engineering, 2024, 1–
14. https://doi.org/10.1155/2024/8849201
Casanova-Villalba, C. I., Herrera-Sánchez, M. J., & Proaño-González, E. A. (2023).
Impacto de la analítica predictiva en la toma de decisiones gerenciales. Revista
Científica Ciencia y Método, 1(3), 16–30.
https://doi.org/10.55813/gaea/rcym/v1/n3/17
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 17
Artículo Científico
Octubre – Diciembre 2026
Chung, S., Xu, C., & Zhang, Y. (2020). Machine learning applications in
pharmaceutical supply chain risk mitigation. International Journal of Production
Economics, 228, Artículo 107738. https://doi.org/10.1016/j.ijpe.2020.107738
Correia Pinheiro, L., Arlett, P., Roes, K., Musuamba Tshinanu, F., Westman, G., Frias,
Z., Hamann, H., Berenguer Jornet, J., Khan, I., Larsen, J., Broich, K., & Cooke,
E. (2025). Artificial intelligence in European medicines regulation: From vision
to action. Harnessing the capabilities of artificial intelligence for the benefit of
public and animal health. Clinical Pharmacology & Therapeutics, 117(2), 335–
336. https://doi.org/10.1002/cpt.3494
Council for International Organizations of Medical Sciences. (2025). Artificial
intelligence in pharmacovigilance. https://doi.org/10.56759/cdob6397
European Medicines Agency. (2024). Reflection paper on the use of artificial
intelligence (AI) in the medicinal product lifecycle
(EMA/CHMP/CVMP/83833/2023).
https://www.ema.europa.eu/en/documents/scientific-guideline/reflection-paper-
use-artificial-intelligence-ai-medicinal-product-lifecycle_en.pdf
European Parliament and Council. (2024). Regulation (EU) 2024/1689 laying down
harmonised rules on artificial intelligence (Artificial Intelligence Act). Official
Journal of the European Union, L 2024/1689. https://eur-lex.europa.eu/legal-
content/EN/TXT/?uri=CELEX:32024R1689
Galarza-Sánchez, P. C., Boné-Andrade, M. F., & Pinargote-Bravo, V. J. (2023).
Aplicaciones de inteligencia artificial generativa en la transformación digital
empresarial. Revista Científica Ciencia y Método, 1(1), 28–41.
https://doi.org/10.55813/gaea/rcym/v1/n1/8
Galeano, D., & Paccanaro, A. (2022). Machine learning prediction of side effects and
supply disruptions for drugs in clinical and hospital networks. Cell Reports
Methods, 2(4). https://doi.org/10.1016/j.crmeth.2022.100201
Hernandez, I., Sullivan, S. D., Hansen, R. N., & Fendrick, A. M. (2024). Cheaper is not
always better: Drug shortages in the United States and a value-based solution
to alleviate them. Journal of Managed Care & Specialty Pharmacy, 30(7), 719–
727. https://doi.org/10.18553/jmcp.2024.30.7.719
Herrera-Sánchez, P. J., & Moreira-Flores, M. M. (2023). Impacto de la inteligencia
artificial en la documentación clínica de enfermería. Revista Científica Ciencia
y Método, 1(1), 1–13. https://doi.org/10.55813/gaea/rcym/v1/n1/6
Ho, K., & Chow, M. (2024). Predictive machine learning architectures for inventory
optimization in public health networks. Computers & Industrial Engineering, 188,
Artículo 109850. https://doi.org/10.1016/j.cie.2024.109850
Howard, R., Tan, Y., & Miller, A. (2024). Economic and clinical consequences of
medication non-adherence and drug stockouts. Journal of Health Economics,
93, Artículo 102840. https://doi.org/10.1016/j.jhealeco.2024.102840
Loaiza-Tipantuña, M. C., Solórzano-Varas, G. S., & Espinoza-Carrasco, A. S. (2026).
Relación entre el clima institucional y el desempeño docente: Una revisión
sistemática basada en los lineamientos PRISMA 2020. Revista Científica
Revista Científica Ciencia y Método | Vol.04 | Núm.04 | Oct–Dic | 2026 | www.revistacym.com pág. 18
Artículo Científico
Octubre – Diciembre 2026
Ciencia y Método, 4(3), 192–212.
https://doi.org/10.55813/gaea/rcym/v4/n3/229
Ministerio de Salud Pública del Ecuador. (2025). Informe de gestión y control de
desabastecimiento de medicamentos en la Red Pública Integral de Salud.
https://www.salud.gob.ec/informes-desabastecimiento-2025
Portilla-Valencia, D. A., Michilena-Guerra, A. M., Mejía-Reascos, X. A., Montenegro-
Usiña, A. F., & Ponce-Rivera, O. S. (2026). Percepción del personal de
enfermería sobre el uso del SOAPIE en hospitales ecuatorianos. Revista
Científica Ciencia y Método, 4(3), 136–151.
https://doi.org/10.55813/gaea/rcym/v4/n3/226
Reagan, L., & Singh, K. (2020). Industry 4.0 technologies and predictive analytics in
emergency pharmaceutical distribution. Supply Chain Management: An
International Journal, 25(6), 785–801. https://doi.org/10.1108/SCM-01-2020-
0032
Respati, T., Rahmat, A., & Suwandi, I. (2025). Application of PRISMA guidelines in
systematic reviews of health technology assessment. BMC Medical Research
Methodology, 25, Artículo 42. https://doi.org/10.1186/s12874-025-02150-x
Servicio Nacional de Contratación Pública [SERCOP]. (2026). Informe de control
interinstitucional y suspensiones en el Catálogo Electrónico de Medicamentos.
SNCP.
U.S. Food and Drug Administration. (2020). Drug shortages: Root causes and potential
solutions (versión actualizada). https://www.fda.gov/media/131130/download
U.S. Food and Drug Administration. (2026). Quality Management Maturity (QMM)
prototype assessment protocol: Year 3 implementation report.
https://www.fda.gov/drugs/pharmaceutical-quality/qmm-protocol-2026
Villa-Feijoó, A. L. (2022). Estrategias de promoción de la salud y prevención de
enfermedades desde la perspectiva de la enfermería en Ecuador. Revista
Científica Zambos, 1(3), 1–14. https://doi.org/10.69484/rcz/v1/n3/29
Vinces Escobar, O. M., Romero Condo, N. S., & Guillen Godoy, M. A. (2026).
Automedicación con Ampibex: Un problema de salud pública en el norte del
Ecuador. Salud Medicina e Innovación Journal, 4(2), 132–154.
https://doi.org/10.70577/b1detf16
Wang, C., & Chen, J. (2024). Deep learning frameworks for supply chain bottleneck
forecasting in clinical settings. Expert Systems with Applications, 240, Artículo
122500. https://doi.org/10.1016/j.eswa.2024.122500
West, R., Zhang, L., & Liu, P. (2020). Natural language processing and predictive
analytics for public health inventory systems. Decision Support Systems, 138,
Artículo 113390. https://doi.org/10.1016/j.dss.2020.113390
Yacelga-Gómez, J. J., Valenzuela-Madera, A. J., Chicaiza-Montero, J. F., Medina-
León, J. A., & Cargua-Usca, A. M. (2025). Automedicación con antibióticos en
Ecuador y Latinoamérica: Magnitud, determinantes y propuestas de
intervención. Revista Científica Ciencia y Método, 3(4), 14–23.
https://doi.org/10.55813/gaea/rcym/v3/n4/94