Los avances recientes en redes neuronales profundas para datos estructurados en grafos han llevado a un rendimiento de vanguardia en los benchmarks de sistemas de recomendación. Adaptar estos métodos a las tareas de recomendación de venta cruzada de productos farmacéuticos con un millón de productos y cientos de millones de ventas sigue siendo un desafío, debido a las intrincadas propiedades médicas y legales de los datos farmacéuticos. Para abordar este desafío, desarrollamos un algoritmo de red neuronal convolucional de grafos (GCN) llamado PharmaSage, que utiliza convoluciones de grafos para generar incrustaciones para productos farmacéuticos, que luego se utilizan en una tarea de recomendación posterior. En el grafo subyacente, incorporamos tanto la información de ventas cruzadas de la transacción de ventas dentro de la estructura del grafo, como la información del producto como características de los nodos. A través de modificaciones en el muestreo involucrado en el proceso de optimización de la red, abordamos un fenómeno común en los sistemas de recomendación, el llamado sesgo de popularidad: los productos populares son frecuentemente recomendados, mientras que los artículos menos populares a menudo son descuidados y recomendados raramente o no recomendados en absoluto. Desplegamos PharmaSage utilizando datos de ventas del mundo real y lo entrenamos en 700,000 artículos representados como nodos en un grafo con aristas entre nodos que representan aproximadamente 100 millones de transacciones de ventas. Al explotar las propiedades de los productos farmacéuticos, como sus indicaciones, ingredientes y efectos adversos, y combinarlas con grandes historiales de ventas, logramos mejores resultados que con un enfoque puramente basado en estadísticas. Hasta donde sabemos, esta es la primera aplicación de incrustaciones profundas de grafos para la recomendación de venta cruzada de productos farmacéuticos a esta escala hasta la fecha.