التعلّم العميق المعزَّز بمخططات المعرفة لتنبؤ الطلب على الأدوية

لماذا تهم التنبؤات الأذكى للأدوية

تعتمد المستشفيات والصيدليات والمرضى جميعًا على توفر الأدوية المناسبة في الوقت المناسب. إذا تم طلب كميات قليلة جدًا، قد تنفد الأدوية المنقذة للحياة عندما تكون هناك حاجة ملحّة. وإذا تم طلب كميات زائدة، تمتلئ الرفوف بمنتجات تنتهي صلاحيتها وتسبّب هدرًا ماليًا. تكمن الصعوبة في أن الطلب على الأدوية يتقلب مع مواسم الإنفلونزا، وتفشي الأمراض الجديدة، وتغيّر الإرشادات، وبطريق اختيار الأطباء لتبديل أو دمج الأدوية. تقدم هذه الورقة طريقة جديدة لتنبؤ طلب الأدوية تجمع بين ذكاء اصطناعي متقدّم ومعرفة طبية مُهيكلة لجعل سلاسل إمداد الرعاية الصحية أكثر موثوقية وكفاءة.

حدود أدوات التنبؤ الحالية

لا تزال العديد من المستشفيات والمورّدين تعتمد على نماذج إحصائية تقليدية تفترض أن الطلب يتبع اتجاهات سلسة وقابلة للتنبؤ إلى حد ما. تعامل هذه الأساليب كل دواء كما لو أنه في عالم مستقل، متجاهلة كيف يمكن لدواء واحد أن يحلّ محل آخر أو يكمله. النماذج الأحدث في تعلّم الآلة والتعلّم العميق، مثل الشبكات العصبية، تتعامل بشكل أفضل مع تقلبات السلاسل الزمنية، لكنها عادةً تتركز أيضًا على أرقام المبيعات السابقة فقط. ونتيجة لذلك، غالبًا ما تفوت جزءًا مهمًا من الصورة: كيف يختار الأطباء فعليًا بين أدوية مختلفة عند علاج نفس المرض، خاصة عندما توجد بدائل أو تركيبات شائعة.

إضافة خريطة لعلاقات الأدوية

يتعامل المؤلفون مع هذه المشكلة عن طريق بناء «مخطط معرفة» للأدوية — نوع من الخريطة التي تربط بين الأدوية والأعراض والأمراض. في هذا المخطط، تمثل كل عقدة دواء أو عرضًا، وتمثل كل وصلة علاقة واقعٍ حقيقية، مثل استبدال مضاد حيوي بآخر، أو وصف فيتامين عادةً مع علاج نزلة برد. من خلال تأصيل التنبؤ في هذه الخريطة المهيكلة، يمكن للنموذج أن يرى أنه إذا ارتفع أو انخفض الطلب على دواء معيّن، فقد يتغيّر الطلب على بدائله القريبة أو شركائه النمطيين أيضًا. هذا يحول سجلات المبيعات المتفرقة إلى صورة مترابطة لكيفية تفاعل العلاجات عمليًا.

كيف يعمل نموذج الذكاء الهجين

لتحويل هذه الخريطة وسجل المبيعات إلى تنبؤات، تقترح الدراسة نموذجًا هجينًا يسمى KG‑GCN‑LSTM. أولًا، تتدفّق المعلومات عبر روابط مخطط المعرفة باستخدام شبكة تلافيف بيانية (GCN) بحيث تعكس تمثيلات كل دواء ليس فقط تاريخه الخاص ولكن أيضًا سلوك الأدوية المرتبطة به. ثم تركز خطوة «القص» الخاصة النموذج مرة أخرى على الدواء المستهدف، مما يقلّل الضوضاء القادمة من الجيران الأقل صلة. بعد ذلك، يعالج شبكة الذاكرة الطويلة قصيرة المدى (LSTM) — وهي نوع من الشبكات العصبية المتكررة المصممة للتسلسلات — بيانات الطلب الأسبوعية المُثرية لتتعلم أنماطًا عبر الزمن، مثل الموسمية والنمو التدريجي والارتفاعات المفاجئة. أخيرًا، يحوّل طبقة إخراج بسيطة هذه الأنماط المتعلمة إلى توقعات للطلب المستقبلي.

اختبارات واقعية في صيدلية مزدحمة

اختبر الباحثون نهجهم على أكثر من نصف مليون سجل مبيعات من صيدلية إندونيسية، شملت أكثر من 200 منتج. قاموا بتنظيف وتجميع البيانات إلى طلب أسبوعي، واستبعدوا الأصناف ذات السجلات القصيرة جدًا، وبنوا مخطط المعرفة باستخدام تصنيفات أدوية دولية وتفاعلات دواء–دواء المعروفة. ثم قورن النموذج الجديد بمجموعة واسعة من التقنيات الراسخة، من ARIMA الكلاسيكي والانحدار بدعم الآلات إلى أنظمة التعلّم العميق الحديثة مثل CNN‑LSTM وN‑BEATS وTimeMixer. عبر عدة مقاييس خطأ معيارية، قدّم النموذج المعزّز بالمعرفة أدق التنبؤات بشكل عام، مخفّضًا الخطأ النسبي بنحو 3.6 نقطة مئوية مقارنةً بقاعدة قوية في التعلّم العميق ومتوازنًا مع أداء نهج TimeMixer الأحدث، مع ميزة أكبر في القابلية للتفسير وملاءمة أفضل للأدوية ذات التاريخ المحدود.

ماذا يعني هذا للمرضى ومقدمي الرعاية

بالنسبة لغير الأخصائيين، الرسالة الأساسية واضحة: عندما تفهم أدوات التنبؤ ليس فقط «كمية كل دواء بيعت» بل أيضًا «كيف ترتبط الأدوية ببعضها في الاستخدام الطبي الفعلي»، يمكنها توقع الاحتياجات المستقبلية بشكل أفضل. يظهر نموذج KG‑GCN‑LSTM أن دمج المعرفة المتخصصة في الذكاء الاصطناعي يمكن أن يقلّل من نفاد المخزون والطلبات الزائدة، مما يساعد الصيدليات على إبقاء الأدوية الأساسية على الرف دون ربط أموال غير ضرورية. وبينما يتطلب بناء وصيانة مخططات معرفة عالية الجودة جهدًا، تشير هذه الدراسة إلى مستقبل تدعمه خوارزميات أذكى وواعية بالمعرفة لتعزيز مرونة وكفاءة سلاسل إمداد الرعاية الصحية.

الاستشهاد: Chen, X., Lu, G., Zhang, H. et al. Knowledge graph-enhanced deep learning for pharmaceutical demand forecasting. Sci Rep 16, 4776 (2026). https://doi.org/10.1038/s41598-026-35113-4

الكلمات المفتاحية: تنبؤ طلب الأدوية, سلسلة توريد الرعاية الصحية, مخطط المعرفة, الشبكات العصبية البيانية, تنبؤ السلاسل الزمنية