UNIVERSIDADE DO VALE DO RIO DOS SINOS - UNISINOS

UNIDADE ACADÊMICA DE GRADUAÇÃO

ANÁLISE E DESENVOLVIMENTO DE SISTEMAS

JULIANO KOCHHANN

GESTÃO DE MEDICAMENTOS EM AMBIENTE HOSPITALAR:

Automatização dos estoques de medicamentos em unidades críticas dentro do
ambiente hospitalar

Canoas, RS
2022
 JULIANO KOCHHANN

GESTÃO DE MEDICAMENTOS EM AMBIENTE HOSPITALAR:

Automatização dos estoques de medicamentos em unidades críticas dentro do
ambiente hospitalar

Artigo apresentado como requisito parcial

para obtenção do título de Tecnólogo em
Análise e Desenvolvimento de Sistemas,
pelo Curso de Análise e Desenvolvimento
de Sistemas da Universidade do Vale do
Rio dos Sinos – UNISINOS.

Canoas, RS
2022
 2

GESTÃO DE MEDICAMENTOS EM AMBIENTE HOSPITALAR: automatização dos

estoques de medicamentos em unidades críticas dentro do ambiente hospitalar.
Juliano Kochhann*

Resumo: Organizar estoques com sazonalidade conhecida e demanda programada

não é algo trivial, mas, quando se trata de um ambiente volátil, com público
heterogêneo e com pouca ou nenhuma sazonalidade, a dificuldade se torna
preocupante. Acreditando que a tecnologia deve ser utilizada para facilitar trabalhos
com grande demanda matemática e de volume de dados, este artigo se propõe a
desenvolver uma ferramenta que possa automatizar a gestão de estoques na
farmácia hospitalar, fazendo a previsão da demanda dos insumos. Atribuo a
importância do sucesso desta pesquisa/desenvolvimento ao alto grau de
dependência das instituições hospitalares na boa gestão nesta área, visto que gera
impacto tanto na gestão financeira quanto nos resultados assistenciais.

Palavras-chave: estoque; hospitais; machine learning; forecasting; medicamentos.

Abstract: Organizing a storage with known seasonality and scheduled demand is not
easy, but when it comes to a volatile environment with a heterogeneous public, and
with little or no seasonality, the difficulty becomes worrying. Believing that technology
should be used to facilitate jobs with high mathematical demand and volume of data,
this article proposes to develop a tool that can automate the management of
inventories in the hospital pharmacy, forecasting the demand for supplies. I attribute
the importance of the success of this research / development to the high degree of
dependence on hospital institutions for good management in this area, since it has
an impact on both financial management and care results.

Keywords: storage; hospitals; machine learning; forecasting, medicines.

1 INTRODUÇÃO

Apesar de vivenciarmos uma ampla evolução na área de Tecnologia da

Informação (TI), existe uma defasagem entre o avanço tecnológico e a sua utilização
no processo de gestão em saúde no país. A dificuldade no acesso e no tratamento
dos dados existentes, de forma sistemática, com disponibilização das informações
pertinentes, ainda é comum, bem como a falta de articulação entre os Sistemas de
Informação e os processos de planejamento e gestão da saúde (BASTOS, 2009).
As instituições hospitalares garantem sua sobrevivência através do
planejamento e controle de medicações. Com isso, percebe-se a importância do

* Analista de sistemas. Graduando de Análise e Desenvolvimento de Sistemas. E-mail:

juliano@kochhann.com.br.
 3

gerenciamento do estoque de medicamentos. Várias técnicas foram desenvolvidas

para aperfeiçoar o controle de armazenamento, mostrando eficiência nas indústrias.
Essas técnicas podem ser adaptadas e aplicadas nas instituições hospitalares para
melhorar e aperfeiçoar o controle dos itens dos estoques (SIMONETTI; NOVAES;
GONÇALVES, 2007).
Após mais de uma década, ainda é evidente a defasagem tecnológica na
gestão dos hospitais brasileiros, mesmo com a contínua evolução e utilização dos
controles automatizados de estoque e distribuição. Além disso, o contexto atual de
pandemia por COVID-19 demonstrou que a baixa acurácia no manejo destes
estoques em unidades de alta complexidade gerou perdas humanas, o que não é
aceitável.
Assim, surge o interesse de estudar a gestão de medicamentos dentro do
ambiente hospitalar, a fim de qualificá-la, fazendo uso de algoritmos e tecnologias
existentes para predição de cenários diversos, com o objetivo de evitar o desperdício
de medicamentos e, também, o desabastecimento em situações de crise.

1.1 Objetivo geral

Esta proposta de pesquisa tem por objetivo avaliar a utilização de algoritmos

de previsão para antecipar a demanda por medicamentos em farmácias das
unidades hospitalares, mantendo os medicamentos em estoque, mas sem gerar
excesso e solicitações desnecessárias, partindo da premissa de que este ponto
afeta diretamente os resultados das instituições de saúde, tanto do ponto de vista
financeiro quanto assistencial. Pretende atingir este objetivo utilizando aprendizado
de máquina e algoritmos de forecasting, aplicados sobre os dados históricos de
consumo destes medicamentos pelas farmácias hospitalares.
 4

1.2 Objetivos específicos

 Gerar dados sintéticos para formar a base histórica de conhecimento para

a ferramenta.
 Buscar na literatura os métodos praticados na gestão de medicamentos e
entender por que sua aplicação no cenário atual não tem a eficiência que
se espera.
 Avaliar a melhor solução matemática / computacional para fazer a análise
dos dados e as projeções de cenários.
 Desenvolver uma ferramenta que receba os dados históricos e seja
atualizada periodicamente, processe estes dados com base na
metodologia definida e apresente as projeções de demandas.

2 FUNDAMENTAÇÃO TEÓRICA

A criação de produtos baseados em inteligência artificial auxilia automatizar

tarefas rotineiras e de alta complexidade, permitindo o desenvolvimento de soluções
precisas. Este capítulo discorre uma breve referência sobre o uso de inteligência
artificial na gestão de medicamentos, que fundamentam o desenvolvimento deste
projeto final.

2.1 Gestão de medicamentos

Em muitos sentidos, a logística hospitalar é mais complexa que a logística

tradicional, divergindo da segunda por lidar diariamente com a preservação e a
manutenção da vida humana através dos serviços de saúde, bem como com a
elevada variação no número de procedimentos (RIBEIRO, 2005).
Como se trata de um ambiente volátil, a gestão dos medicamentos para a
farmácia hospitalar, em específico para unidades críticas, se torna um grande
desafio, e, segundo Simonetti, Novaes e Gonçalves (2007), a participação dos
estoques de medicamentos nos custos hospitalares é significativa, e tem papel
estratégico, já que os recursos financeiros tornam-se escassos com o tempo, e o
tratamento das doenças mais oneroso.
 5

Neste sentido, foi desenvolvida uma escala de classificação de medicamentos

em grupos com características gerenciais semelhantes, como valores e consumo. A
Classificação ABC define como segue:
- Classe A: comporta cerca de 10% dos itens, que representam cerca de
70% do valor monetário total do estoque.
- Classe B: é um grupo de itens em situação intermediária entre as classes A
e C. Representam aproximadamente 20% do valor monetário do estoque.
- Classe C: agrega cerca de 70% dos itens, cuja importância em valor é
pequena, próxima a 10% do valor monetário do estoque (SIMONETTI; NOVAES;
GONÇALVES, 2007).

2.2 Tecnologia na gestão da saúde

As ferramentas computacionais evoluem constantemente, podendo ser

aplicadas a qualquer área. A sua integração com os processos de gestão é
fundamental, principalmente em áreas críticas, como cadeia de suprimentos. Na
área da saúde em especial, existe uma caminhada longa, já iniciada, em direção à
informatização dos processos gerenciais, uma vez que existe extensa coleta de
dados em todas as etapas do negócio, da triagem de pacientes até a alta, incluindo
os prontuários. Falta, segundo Bastos (2009), uma facilitação no acesso a estes
dados já existentes, para que possam ser tratados e disponibilizados no momento
necessário. Falta, também, articulação entre os Sistemas de Informação e os
processos gerenciais.

2.3 Inteligência Artificial

A seção a seguir apresenta alguns dos itens que compõem o conceito de

inteligência artificial e se relacionam com este estudo.

2.3.1 Inteligência artificial

Segundo Copeland (2020), inteligência artificial é a habilidade de um

computador digital ou robô controlado por computador realizar tarefas comumente
associadas a seres inteligentes. Desde o desenvolvimento do computador digital na
 6

década de 1940, foi demonstrado que os computadores podem ser programados

para realizar tarefas muito complexas - como, por exemplo, descobrir provas para
teoremas matemáticos ou jogar xadrez - com grande proficiência. Apesar de ser uma
área sobre a qual se teoriza há muitas décadas, apenas recentemente se tornou
presente de fato, pois sua aplicação depende essencialmente de três fatores: bons
modelos de dados, em grande volume e em estado bruto, e recursos computacionais
potentes e a custos razoáveis. Com a evolução desses três segmentos, a
inteligência artificial tornou-se finalmente possível com a fórmula: big data +
computação em nuvem + bons modelos de dados.

2.3.2 Aprendizado de máquina

Em inteligência artificial (matéria da ciência da computação), aprendizado de

máquina é a disciplina voltada para a implementação de softwares que possam
aprender de forma autônoma (HOSH, 2020). Em outras palavras, é a capacidade
apresentada por um sistema de modificar a si próprio, em direção ao seu objetivo,
podendo alterar, inclusive, sua programação, de acordo com as entradas que
recebe.

2.4 Séries temporais

Uma série temporal, também denominada série histórica, é uma sequência de

dados obtidos em intervalos regulares de tempo durante um período específico. Este
conjunto pode ser obtido através de observações periódicas do evento de interesse
como, por exemplo, o valor máximo diário da concentração de ozônio no ar no
Município de São Paulo, ou através de processos de contagem como o total mensal
de óbitos por câncer no Rio Grande do Sul. Se a série histórica for denominada
como Z, o valor da série no momento t pode ser escrito como Zt (t=1,2,...,n).
Denomina-se trajetória de um processo, a curva obtida no gráfico da série histórica e
o conjunto de todas as possíveis trajetórias é denominado como um processo
estocástico. Considera-se que uma série temporal é uma amostra deste processo
(LATORRE, 2001).
 7

3 METODOLOGIA

Para entender a gestão de medicamentos de forma geral, será feita uma

revisão literária em artigos e outras obras, buscando aproximar-se da realidade atual
e da especificidade das unidades de tratamento intensivo. Também serão apuradas
as aplicações de aprendizado de máquina com uso da linguagem Python, na
construção de um algoritmo que, recebendo como entrada os dados históricos de
utilização de medicamentos, seja capaz de gerar a previsão de utilização para
cenários futuros. Os dados serão sintéticos e simularão o histórico de dispensa de
medicamentos, contendo o rótulo (que pode ser mascarado com um código), a
quantidade e a data da utilização, em um período não menor do que 36 meses. Os
dados serão avaliados e, havendo a necessidade, serão padronizados para facilitar
a interpretação pelo sistema. Estes dados serão organizados no formato de
dispensa mensal, ou seja, será observada a quantidade utilizada em cada mês. Com
a evolução do estudo podem surgir outros referenciais sazonais, como quinzena ou
semestre, por exemplo. Com os dados tratados disponíveis, será aplicada alguma
técnica de séries temporais, para definir o padrão de distribuição dos medicamentos
e desenhar os cenários futuros. Os resultados serão apresentados no formato de um
gráfico e as sugestões diárias para as solicitações de medicamento, que fornecerão
subsídio para a automatização das solicitações por parte da unidade, serão
entregues em formato de tabela.
A partir de observações de desempenho, foi adotado o método ARIMA para
elaborar e analisar a previsão de demanda. O modelo foi escolhido em razão do
resultado da análise de estacionariedade. Para execução dos modelos de treino,
teste e previsão, serão utilizadas as bibliotecas Pandas e Numpy.

4 DESENVOLVIMENTO

Nesta seção são apresentadas as etapas realizadas para o desenvolvimento

do sistema. O objetivo desta implementação foi desenvolver um sistema web que
resolva, de forma automatizada, a distribuição de medicamentos para as farmácias
de unidades internas hospitalares.
 8

4.1 Visão Geral

O back-end do sistema será desenvolvido com linguagem python, utilizando o

framework Django. Por consequência da escolha do framework, a arquitetura será o
padrão MVT (Model – View – Template), que tem como uma das finalidades de
utilização, em oposição ao padrão MVC (Model – View – Controller), repassar quase
que inteiramente as funções de controle para o framework, facilitando e acelerando
o desenvolvimento.
A camada de Modelos (Model) faz a interface entre o sistema e os dados,
pois é responsável por criar e manter os objetos. É a estrutura de dados lógica por
trás de todo o aplicativo e é refletida no banco de dados.
A cada de Visualização (View) é muitas vezes confundida com a de Controle
do padrão MVC, porém, ela se destina a implementar as regras de negócio
especificamente, pois o sistema de views do framework abrange praticamente todas
as funções de controle que a aplicação necessitará.
A camada de Estilo (Template) é a visualização da aplicação. Contém os
arquivos HTML com as folhas de estilo e os códigos de front-end.
A figura 1 contém uma representação gráfica desta arquitetura.

Figura 1 – Visão geral da arquitetura

Fonte: Elaborada pelo autor.

 9

Os modelos do sistema servirão à abstração da necessidade de prever a

demanda por medicamentos. Abaixo está um diagrama que representa estes
modelos.

Figura 2 – Visão geral dos módulos e modelos

Fonte: Elaborada pelo autor.

Nesta abstração, o módulo Routine (Rotina) representa a estrutura básica

das unidades de um hospital, onde:
 Company (Empresa) se refere à personalidade jurídica que representa o
Hospital;
 Service (Serviço) é como é chamado o conjunto de unidades que se
destinam a prestar atendimento a um grupo específico. Ex.: Serviço de
Pediatria;
 Unity (Unidade) representa a área física destinada ao atendimento de um
nicho específico. Ex.: UTI Pediátrica;
 Pharmacy (Farmácia) define o estoque de medicamentos de cada
unidade;
 Madication (Medicamento) são os itens que compõem a farmácia da
unidade;
 10

 Medication type (Tipo de medicamento) separa cada medicamento em

categorias, de acordo com o que é exposto no item 2.1 deste artigo.

Figura 3 – Visão geral das classes para modulo Routine

Fonte: Elaborada pelo autor.

As informações de consumo e reposição de medicamentos serão

armazenadas e utilizadas para gerar os prognósticos de uso. O módulo responsável
é o Prognostics, que está representado no diagrama abaixo.

Figura 4 – Visão geral das classes para modulo Prognostics

Fonte: Elaborada pelo autor.

 11

4.2 Fluxo de atividades

As ações de usuário são restritas a visualização de histórico e de prognóstico,

não havendo qualquer intervenção na estrutura de processamento, que é realizado
de forma automática, sendo alimentado por dados oriundos de sistemas já
existentes e executando as ordens de abastecimento e recolhimento para os
responsáveis pela sua avaliação.

Figura 5 – Visão geral da atividade da geração de prognóstico

Fonte: Elaborada pelo autor.

4.3 Modelagem de dados

Os dados são organizados em estrutura relacional. Os dados de entrada

serão fornecidos por outro sistema, ou por planilha gerada pelo setor responsável
pelos medicamentos. As tabelas têm o prefixo com o nome do respectivo módulo
que integram. O diagrama abaixo é a representação ER do banco de dados,
excluindo-se as tabelas especializadas nas funções de autorização/autenticação do
sistema, à exceção de auth_user.
 12

Figura 6 – Modelagem de dados

Fonte: Elaborada pelo autor.

4.4 Interface do usuário

Como o sistema tem a intenção de automatizar um processo, a interface com

o usuário é bastante restrita, havendo apenas telas de login, cadastro da estrutura e
conferência dos procedimentos gerados pelo algoritmo.
As interfaces apresentadas estão dispostas no modelo responsivo de exibição
exemplificando o acesso através de um computador.

Figura 7 – Formulário de login

Fonte: Elaborada pelo autor.

 13

O processo de acesso ao sistema é disponibilizado através da funcionalidade

de login, mediante a inserção de usuário e senha. Durante esse processo de
autenticação, o sistema verifica existência do usuário informado e se a senha de
acesso para este usuário está correta, caso os dados estejam corretos, o sistema
então autentica o usuário.
Para a funcionalidade de cadastro, o usuário é direcionado para o dashboard
exibido na figura 8.

Figura 8 – Dashboard de cadastros

Fonte: Elaborada pelo autor.

Os formulários de cadastro são semelhantes. A figura 9 exibe o formulário de

cadastro de Hospital como exemplo.
 14

Figura 9 – Formulário de cadastro de Hospital

Fonte: Elaborada pelo autor.

4.5 Coleta de dados

Para avaliar a utilização do algoritmo não foi possível trabalhar com dados
reais, pois estes não foram autorizados pelo Comitê de Ética em Pesquisa da
Universidade Federal do Rio Grande do Sul (UFRGS) e do Hospital de Clínicas de
Porto Alegre (HCPA). Em razão disso, o estudo faz uso de uma base de dados
bastante recorrente em testes práticos envolvendo séries temporais. Trata-se de um
registro mensal de passageiros em voos, no período entre 01/1949 e 12/1960. O
mencionado registro foi escolhido por apresentar características semelhantes ao
ambiente alvo, como a sazonalidade e a temporariedade, e ser uma sequência
consistente, por se tratarem de dados reais, embora de um universo diferente.
A sequência de execução da coleta de dados será descrita a seguir, com
imagens e o código de teste executado.
 15

Como a intenção era apresentar a execução do algoritmo, a ferramenta

utilizada foi o Jupyter Notebok versão 6.4.12. A versão de Python é a 3.10.1.

Figura 10 – Importação das bibliotecas

Fonte: Elaborada pelo autor.

A preparação dos dados consiste em converter a coluna que traz a

informação temporal para um campo do tipo Datetime. A seguir é feita a importação
da tabela com os dados, onde indicamos a coluna com data e o formato que foi
estabelecido.

Figura 11 – Definição do campo com variável temporal e importação dos dados

Fonte: Elaborada pelo autor.

Aplicando a função describe() do pandas sobre a base importada, podemos

ver a tabela estatística sobre esta base.

Figura 12 – Tabela estatística

Fonte: Elaborada pelo autor.

 16

A função tsdisplay() do pandas gera os gráficos de análise da série temporal.

O primeiro gráfico demonstra a série, onde pode-se observar sazonalidade. Nas
primeiras observações esta sazonalidade é fraca, mas torna-se determinante a partir
da 60ª observação. O segundo gráfico, abaixo e à esquerda, representa a função de
autocorrelação serial, que é um indicativo de estacionariedade. A estacionariedade é
caracterizada quando a média e a variância da série se mantêm constantes ao longo
do tempo, o que neste caso claramente não existe, principalmente por se tratar de
uma série com sazonalidade e com tendência de crescimento. Por fim, abaixo e à
direita, apresenta-se o gráfico de distribuição.

Figura 13 – Gráficos da base de dados

Fonte: Elaborada pelo autor.

5 RESULTADOS

A análise nos apresenta um conjunto de dados sazonal e não estacionário, o

que reforça a escolha do método ARIMA para a geração de previsões.
ARIMA (Autoregressive Integrated Moving Average), é uma generalização
do método ARMA, em que a função de integração é utilizada a fim de atenuar séries
 17

não estacionárias. Para sua aplicação precisamos denotar os melhores valores de p,

d e q, que são, respectivamente, a ordem do modelo auto-regressivo (número de
defasagens), o grau de diferenciação e a ordem do modelo de média móvel, além de
suas versões específicas para modelos sazonais, P, D e Q. Uma forma de
automatizar essa parte do processo é usar o auto_arima, que escolhe, com base em
tentativas combinatórias, os melhores parâmetros para a série. Foi desativado o
parâmetro stepwise da função, com o objetivo de obter um resultado mais preciso. O
objetivo foi atingir o valor mínimo para o AIC (Akaike Information Criteria), que é
obtido a partir da fórmula AIC = -2log(L) + 2(p + q + k + 1).

Figura 14 – Fórmula AIC corrigida para modelos ARIMA

Fonte: Nau (2014).

Figura 15 – Definição dos melhores parâmetros para AIC

Fonte: Elaborada pelo autor.

Para avaliação do modelo sobre a série, foi utilizada a técnica Hold-out,

que separa a série de avaliação em treino e teste, na proporção de 70% e 30%. A
parte de treino é submetida ao algoritmo para aprendizado, e a parte de testes para
aplicação deste aprendizado.
 18

Figura 16 – Definição dos períodos de treino e de teste e aplicação sobre os dados

Fonte: Elaborada pelo autor.

O gráfico abaixo representa a sobreposição dos dados de teste, em laranja,

com os dados observados, em azul.

Figura 16 – Gráfico com os valores de teste

Fonte: Elaborado pelo autor

 19

Tabela 1 – Valores projetados e valores observados para saída de um

determinado medicamento

Fonte: Elaborada pelo autor.

Pode-se observar um alto grau de acertividade, com o percentual de erro

ficando em 2% na média, o que é um valor banstante aceitável, dado que o principal
objetivo do estudo é antecipar a demanda por medicamentos e evitar o
desabastecimento.

6 CONCLUSÃO

No presente estudo, buscou-se aplicar um algoritmo de previsão de demanda

a uma instituição de saúde pública, e este fato gera alguns desdobramentos
interessantes. Primeiramente, a previsão buscaria dados diários de demanda e, ao
final, utilizou-se uma base com dados mensais, o que se demonstrou mais adequado
ao quadro de um hospital público, onde as comprar dependem de orçamentos que
são realizados mensal ou bimensalmente.
Com o resultado em mãos, percebe-se uma oportunidade de demonstrar ao
gestor público que existem métodos científicos capazes de melhorar o desempenho
das aquisições, bem como a manutenção de estoques em níveis adequados, em
quantidades que não sejam insuficientes nem em demasia.
Sobre os métodos adotados para atingir os resultados, os algoritmos das
bibliotecas numpy e pandas se apresentaram como ferramentas poderosas na
análise de dados e geração de prognósticos com alto nível de precisão, ainda
 20

podendo, com o devido tempo e dados reais, chegar-se a cenários ainda mais
assertivos.
Portanto, este trabalho atinge seu objetivo principal que é encontrar um
algoritmo, ou conjunto de ferramentas computacionais, capaz de antecipar a
demanda por medicamentos.
Como possibilidades, ao implementar uma ferramenta desse tipo, pode-se
vislumbrar ainda a automatização dos abastecimentos, bem como relatórios de
desempenho das farmácias. A partir destas análises pode-se reduzir vícios de
processos e compras em quantidades desnecessárias, o que abriria campo para
novos estudos, que visem melhor qualidade do gasto público e do atendimento à
população, utilizando meios comprovados cientificamente para apoiar as decisões
que são tomadas com base exclusivamente em conhecimento.
 21

REFERÊNCIAS

BASTOS, M. P. Sistemas de informação em saúde: o seu uso no

acompanhamento de pacientes hipertensos e diabéticos: um estudo de caso do
Sistema Remédio em Casa utilizado no município do Rio de Janeiro. 2009.
Dissertação (Mestrado Profissional em Saúde Pública) – Escola Nacional de Saúde
Pública Sergio Arouca, Fundação Oswaldo Cruz, Rio de Janeiro, 2009. Disponível
em: https://www.arca.fiocruz.br/handle/icict/2501. Acesso em: 10 set. 2022.

COPELAND, B. J. Artificial intelligence. Encyclopedia Britannica, [s. l.], ago. 2020.

Disponível em: https://www.britannica.com/technology/artificial-intelligence. Acesso
em: 20 out. 2020.

FILHO, M. Como criar um modelo simples para prever séries temporais usando
Machine Learning em Python. In: Mario Filho | Machine Learning. [S. l.], 29 nov.
2019. Disponível em:
https://www.mariofilho.com/como-criar-um-modelo-simples-para-prever-series-
temporais-usando-machine-learning-em-python/. Acesso em: 03 set. 2020.

GONÇALVES, L. Características das séries temporais. In: Statplace. [S. l.], [2020?].
Disponível em: https://operdata.com.br/blog/caracteristicas-das-series-temporais/.
Acesso em: 10 set. 2020.

HOSH, W. L. Machine learning. Encyclopedia Britannica, [s. l.], jun. 2020.

Disponível em: https://www.britannica.com/technology/machine-learning. Acesso em:
20 out. 2020.

LATORRE, M. O.; CARDOSO, M. A. Análise de séries temporais em epidemiologia:

uma introdução sobre os aspectos metodológicos. Revista Brasileira de
Epidemiologia, São Paulo, v. 4, n. 3, p. 145-152, nov. 2001.

NAU, R. Introduction to ARIMA models. [Durham]: Duke University, 2014.

Disponível em: https://people.duke.edu/~rnau/Slides_on_ARIMA_models--
Robert_Nau.pdf. Acesso em: 16 jun. 2022.

RIBEIRO, S. Logística hospitalar: desafio constante. Notícias Hospitalares: gestão

de saúde em debate, São Paulo, n. 46, mar. 2005. Disponível em:
http://www.noticiashospitalares.com.br/mar2005/htms/apoio.htm. Acesso em: 28 out.
2020.

SIMONETTI, V. M. M.; NOVAES, M. L. O.; GONÇALVES, A. A. Seleção de

medicamentos, Classificação ABC e redução do nível dos estoques da farmácia
hospitalar. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO
(ENEGEP), 27., 2007. Foz do Iguaçu. A energia que move a produção: um diálogo
sobre integração, projeto e sustentabilidade. São José dos Campos, ABEPRO,
2007. Disponível em:
https://abepro.org.br/biblioteca/enegep2007_tr570428_9381.pdf. Acesso em: 28 out.
2020