Método e sistema automatizado de captação de doadores de sangue sob demanda com uso de machine learning para evitar a falta e o desperdício de sangue

Resumo

Dados da Organização Mundial da Saúde (OMS) indicam uma crescente demanda por transfusões sanguíneas e revelam que o número de doadores não atende à esse crescimento. Esse é um problema mundial no qual mais de 70 países possuem uma taxa de doação por habitante menor que de 1%, sendo que o valor recomendado pela OMS é de 3%. Aproximadamente 50% do total de 112,5 milhões de doações de sangue são coletadas em países desenvolvidos que atendem apenas 19% da população mundial. Neste contexto, os bancos de sangue, tanto públicos quanto privados, são as organizações responsáveis por abastecer os estoques dos hospitais. No entanto, o sangue é um tecido vivo que não possui substitutos, e cada hemocomponente possui uma validade diferente. As plaquetas, por exemplo, duram no máximo sete dias. Como essa demanda é volátil e atualmente as campanhas também trazem doadores em quantidade e tipo sanguíneo incertos, esse desalinhamento entre oferta e demanda resulta hora na falta, hora no desperdício para os bancos de sangue. Além do prejuízo à saúde dos pacientes, existe o prejuízo financeiro. O problema de desperdício chega a custar mais de R$ 500,00 por bolsa de sangue de acordo com o dados do Ministério da Saúde, o que gera um desperdício de milhões de reais por ano ao Brasil devido ao descarte de bolsas vencidas. A proposta desse projeto é desenvolver um método e sistema utilizando machine learning, com o objetivo de auxiliar os bancos de sangue a evitar a falta e o desperdício de bolsas por meio de uma comunicação personalizada e automatizada que consiga engajar os doadores por tipo sanguíneo na quantidade, local e momento certo e de acordo com a demanda específica de cada local. Para lidar com o problema, será utilizado machine learning e conceitos de marketing digital para o engajamento de doadores sob demanda. Espera-se ao final do projeto desenvolver um sistema e validar a efetividade do método de captação sob demanda com machine learning a fim de manter os níveis de estoque adequados e reduzir os custos dos bancos de sangue. (AU)