جدوى توقع الطلب القصير الأجل على الكمامات بالمستشفى باستخدام شبكة عصبية عكسية الانتشار في ظل ندرة البيانات

لماذا يهم تخطيط الكمامات في الأزمات

عندما يظهر مرض معدٍ جديد، قد تفتقد المستشفيات لمستلزمات بسيطة لكنها حيوية مثل الكمامات الطبية. الطلب القليل جدًا يترك الأطباء والممرضين غير محميين، بينما الطلب الزائد يجمد أموالًا ويستنزف مساحات التخزين. يتساءل هذا المقال عما إذا كان نموذج حاسوبي صغير وقليل الحاجة إلى البيانات يمكنه مساعدة المستشفيات على تقديم تقديرات أقوى قصيرة الأجل لاحتياجات الغد من الكمامات عندما تتوفر فقط بضعة أيام من السجلات التاريخية.

مراقبة استخدام الكمامات في المستشفى يومًا بيوم

درس الباحثون استخدام الكمامات في مستشفى كبير في الصين على مدار 24 يومًا فقط خلال فترة وبائية. كانت كل نقطة بيانات تمثل إجمالي عدد الكمامات المستخدمة في المستشفى في ذلك اليوم، دون أي معلومات عن المرضى الأفراد. يعكس هذا السجل القصير جدًا أيام التفشي المبكرة، عندما يتعين على المديرين اتخاذ إجراءات سريعة لكن لديهم قليل من السجل الإرشادي. تراوح الطلب خلال تلك الأيام ارتفاعًا وانخفاضًا حادًا، مما يعكس تغير أعداد المرضى وسلوك الطاقم وتدابير السيطرة، وهو ما يجعل التنبؤ الخطي البسيط غير موثوق.

تحويل تاريخ قصير إلى مشكلة تعليمية

لتحويل هذه الأعداد اليومية الـ24 إلى ما يمكن للكمبيوتر أن يتعلم منه، استخدم الفريق منهجية النافذة المنزلقة. جمعوا كل أربعة أيام متتالية من استخدام الكمامات كـ"مدخل" وطلبوا من النموذج التنبؤ باستخدام الكمامات في اليوم الخامس كـ"مخرج". بتحريك هذه النافذة على الخط الزمني أنتجوا 20 مثلًا من هذا النوع. استُخدمت الأيام السبعة عشرة الأولى لتدريب النماذج، واحتُفظ بالأيام الثلاثة الأخيرة لاختبار مدى قدرة النماذج على توقع طلبات مستقبلية غير مرئية حقًا، محاكاةً لكيفية استخدام المستشفى لمثل هذه الأداة في الوقت الحقيقي.

شبكة عصبية بسيطة مقابل طرق مألوفة

الأداة الرئيسية التي اختُبرت كانت شبكة عصبية عكسية الانتشار سطحية، طبقة متواضعة من العقد المترابطة التي يمكنها التقاط انحناءات وتعقيدات في أنماط البيانات. كان للنموذج طبقة مخفية واحدة واستخدم حيل تدريب شائعة مثل تحجيم القيم إلى نفس النطاق وإيقاف التدريب مبكرًا عندما يتوقف الأداء على مجموعة تحقق صغيرة عن التحسن. كانت مهمته تعلم العلاقة بين استخدام الكمامات في الأيام الأربعة الماضية واليوم التالي. قارنت الدراسة هذه الشبكة مع ثلاث بدائل معيارية: طريقة بسيطة تعيد ببساطة قيمة أمس، ونموذج سلاسل زمنية كلاسيكي ARIMA، ونموذج تعلم عميق طويل القصيرة المدى (LSTM).

مدى مطابقة النماذج للاستخدام الفعلي للكمامات

رغم صغر مجموعة البيانات، تقاربت الشبكة العصبية السطحية بسرعة وولدت توقعات مستقرة. عندما حُوّلت مرة أخرى إلى أعداد الكمامات الحقيقية، كان متوسط خطأ النموذج نحو 415 كمامة في اليوم، وجذره التربيعي لمتوسط الخطأ نحو 519 كمامة. في هذه التجربة تفوق ذلك على كل من نماذج ARIMA وLSTM، وحسّن بوضوح على التخمين البسيط "غدًا يساوي اليوم"، خاصة خلال الانخفاضات والارتفاعات المفاجئة في الطلب. أظهرت الفحوصات التي قارنت القيم المتوقعة والفعلية توافقًا قويًا على بيانات التدريب والتحقق، وتوافقًا مقبولًا، وإن كان أضعف، في أيام الاختبار، مما يوحي بأن النموذج قد يتتبع الاتجاهات القصيرة الأجل لكنه لا يزال يواجه صعوبة مع التحولات الأكثر حدة.

تحذير وخطوات لاحقة للمستشفيات الحقيقية

يشدد المؤلفون على أن نموذجهم يُعد إثباتًا لإمكانية الفكرة وليس أداة جاهزة للنشر. مع وجود 24 يومًا فقط من البيانات من مستشفى واحد، ثمة خطر حقيقي أن تكون الشبكة قد تعلمت جزئيات هذا السجل القصير بدلًا من قواعد عامة، وكانت هناك دلائل على الإفراط في التكيّف. ومع ذلك، يبيّن العمل أن شبكة عصبية بسيطة يمكن أن توفر إرشادًا قصير الأجل أكثر فائدة من عدة بدائل شائعة عندما تكون البيانات نادرة. بالنسبة لمخططي المستشفيات، يشير ذلك إلى أن النماذج الخفيفة قد تكون مساعدة سريعة مؤقتة لإدارة مخزون الكمامات في المراحل الأولى من التفشي، على أن تُستبدل أو تُحسن بمجرد توافر مجموعات بيانات أطول وأغنى من عدة مستشفيات.

الاستشهاد: Wang, Y., Han, Y., Wang, S. et al. Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity. Sci Rep 16, 14904 (2026). https://doi.org/10.1038/s41598-026-44754-4

الكلمات المفتاحية: مستلزمات المستشفيات, الطلب على الكمامات, شبكة عصبية, التخطيط لمواجهة الأوبئة, تنبؤ السلاسل الزمنية