Inteligencia predictiva para bancos de sangre
Anticipa la escasez de sangre del Hospital General de Medellín con 14 días de anticipación y convierte esa señal en campañas de donación diseñadas con IA.
La presión del sistema (demanda − oferta, media móvil de 7 días) se compara contra un umbral τ. Si el modelo ve escasez a 14 días, el asistente de IA diseña la campaña, genera el flyer y la despliega en el mapa.
| Conjunto (datos.gov.co · HGM) | Registros | Rol |
|---|---|---|
| Banco de sangre | 35.840 | Oferta: donaciones |
| Población atendida | 221.203 | Demanda: hospitalizaciones |
| Defunciones | 5.094 | Demanda: muertes asociadas a sangre |
uv sync # dependencias
uv run python scripts/build_db_and_model.py # (una vez) modelo + base de datos
uv run uvicorn src.app:app --port 8000 # http://localhost:8000Variables de entorno en .env: GEMINI_API_KEY para el
asistente de campañas y la búsqueda de lugares.
Sanghelios/
├── RECURSOS/ material visual · presentación Manim · capturas
├── docs/ metodología · impacto · validación · API · arquitectura
├── data/ raw · processed · realtime · sanghelios.db
├── notebooks/ 01_EDA → 02_limpieza → 03_descriptivo → 04_modelo → 05_reportes
├── src/ app web · agents/ · data_pipeline/ · features/ · train · inference
├── models/ predictive/escasez_model.pkl
├── reports/ figuras · reporte automático · reporte_final.html
├── tests/ unit · integration · bias_tests
├── config/ configuración e hiperparámetros
└── deployments/ docker · kubernetes · serverless
| Rol | Formación | |
|---|---|---|
| Jerónimo Hoyos | Ingeniero en IA | Ing. de Sistemas e Informática · UNAL Medellín |
| Daniel Arango | Ingeniero de Software | Ing. de Sistemas · EAFIT |
| Jose Miguel García | Data Scientist | Estadística · UNAL Medellín |
| Valentina Muñoz | Diseñadora | Ing. Administrativa · UNAL Medellín |
Hospital General de Medellín · Banco de sangre · 2026




