نموذج تعلّم آلي هجين مُحسّن بالتدرّج الأقصى باستخدام ذئب رمادي لتنبؤ الطلب الدوائي بالمستشفيات

لماذا يحتاج توريد الأدوية إلى كرة بلورية أذكى

عندما تذهب إلى المستشفى، تتوقع أن تكون الأدوية المناسبة متاحة على الرف. خلف الكواليس، تكافح المستشفيات للتنبؤ بكمية كل دواء التي ستحتاجها في الأسابيع المقبلة. إذا طلبت كمية قليلة جداً يواجه المرضى نفاد المخزون الخطير؛ وإذا طلبت كمية زائدة تنتهي صلاحية أدوية باهظة الثمن دون استخدام. تقدم هذه الدراسة نهجاً جديداً معتمداً على البيانات للتنبؤ يساعد المستشفيات على توقع احتياجات الأدوية بدقة أكبر عبر دمج سجلات صرف المرضى الفعلية مع بيانات الطقس المحلية وأنماط الفصول.

مشكلات يومية خلف منضدة الصيدلية

تتجاوز المستشفيات حول العالم خطاً دقيقاً بين النقص والهدر. أدوات التنبؤ التقليدية—مثل خطوط الاتجاه البسيطة والمتوسطات المتحركة—تعامل الطلب كما لو أنه يتغير بسلاسة وبشكل قابل للتنبؤ. في الواقع، يرتفع ويهبط استخدام الأدوية مع انتشار الأمراض، وتغير الفصول، ووقوع أحداث محلية. موسم الإنفلونزا، موجات الحر، أو تفشيات تنتقل عبر البعوض يمكن أن ترفع فجأة الطلب على أدوية محددة. كثيراً ما تغفل الطرق الحالية هذه التقلبات، خصوصاً في المستشفيات الصغيرة أو محدودة الموارد، مما يؤدي إلى مشتريات هاجمة في اللحظة الأخيرة أو أكوام من المخزون غير المستخدم.

ترك البيانات والطقس والفصول تروي القصة

ركز الباحثون على مستشفيين إقليميين في محافظة لامفون بتايلاند، وجمعوا أكثر من 3.4 مليون سجل لزيارات المرضى الخارجيين وصرف الأدوية بين أواخر 2023 ومنتصف 2025. ربطوا هذه السجلات بفهرس وطني للأدوية بحيث يمكن تتبع كل بند بشكل متسق عبر المستشفيات. في الوقت نفسه، استخرجوا معلومات طقس مفصّلة—درجة الحرارة، وهطول الأمطار، والرطوبة، والرياح، وأشعة الشمس—من خدمة طقس مفتوحة، إلى جانب دلائل تقويمية مثل السنة والشهر ورقم الأسبوع. من خلال جمع هذه العناصر بنوا صورة أسبوعية غنية لكيف يرتفع وينخفض طلب 588 دواءً مختلفاً مع نشاط المستشفى والظروف البيئية.

كيف تساعد مجموعة ذئاب في اختيار الأدلة الصحيحة

لتحويل هذه البيانات المعقّدة إلى توقعات موثوقة، صمم الفريق نموذجاً هجيناً يجمع بين فكرتين. الأولى هي طريقة بحث مستوحاة من سلوك الصيد لدى الذئاب الرمادية. في النموذج، يمثل كل «ذئب» مجموعة ممكنة من الأدلة—مثل مقاييس طقس معينة أو مؤشرات زمنية—التي قد تساعد في التنبؤ بالطلب. تتنقل هذه الذئاب في فضاء الاحتمالات، متقاربة تدريجياً نحو أكثر التركيبات المعلوماتية مع استبعاد العوامل الصاخبة أو المكررة. الفكرة الثانية هي محرك تنبؤ قوي معروف باسم التدرّج المعزّز (gradient boosting)، الذي يبني العديد من أشجار القرار الصغيرة ويجمعها في توقع قوي شامل. بترك بحث مستوحى من الذئاب يضبط الأدلة التي تُستخدم وكيفية بناء الأشجار، يركّز النظام طاقته التعلمية حيث يهم الأمر أكثر.

تجريب النموذج في مستشفيات حقيقية

واجه النموذج الهجين الجديد خمسة منافسين أقوياء في التعلّم الآلي، بما في ذلك الغابات العشوائية والشبكات العصبية وطرق تعزيز أخرى، وجُمعت لهم نفس البيانات المنقحة والموحّدة. قيّم الباحثون الأداء باستخدام ثلاثة مؤشرات شائعة: مدى كبر الخطأ النموذجي، ومدى معاقبة الأخطاء الكبيرة، ومقدار التقلبات في الطلب الحقيقي التي يستطيع النموذج تفسيرها. عبر اللوحة، جاء النهج الهجين في الصدارة. لم يقتصر الأمر على أنه حقق أصغر الأخطاء فحسب، بل تعقّب أيضاً القمم والقيعان المفاجئة في الاستخدام الأسبوعي للأدوية بشكل أوثق من البدائل، وكانت نتائجه مستقرة حتى عند تغيير تقسيم بيانات التدريب والاختبار.

ماذا تعني التنبؤات الأفضل للمرضى والمخططين

بالنسبة لغير المتخصصين، الرسالة الأساسية واضحة: استخدام خوارزميات أذكى تولي اهتماماً بالطقس والتوقيت يمكن أن يجعل توقعات أدوية المستشفيات أكثر موثوقية بكثير. ورغم أن إثبات المفهوم هذا قائم على مستشفيين تايلنديين فقط، إلا أنه يبيّن أن مزج بيانات الصرف الواقعية مع إشارات بيئية محلية يمكن أن يقلل التخمين، ويخفض الهدر، ويساعد على منع نفاد الرفوف. مع رقابة وإدماج دقيقين في أنظمة معلومات المستشفيات، يمكن لمثل هذه الأدوات أن تدعم فرق الشراء، وتحسّن التخطيط الدوائي على المستوى الوطني، وتزيد احتمال توفر الدواء المناسب عندما يحتاجه المريض.

الاستشهاد: Samniang, W., Shah, S.M.T., Tun, Y. et al. A hybrid grey wolf optimized eXtreme gradient boosting-based machine learning model for hospital pharmaceutical demand forecasting. Sci Rep 16, 13400 (2026). https://doi.org/10.1038/s41598-026-48590-4

الكلمات المفتاحية: تنبؤ الطلب على الأدوية, صيدلية المستشفى, التعلّم الآلي, سلاسل إمداد الرعاية الصحية, الطقس والصحة