Wissensgraph-unterstütztes Deep Learning für die Nachfrageprognose von Arzneimitteln

Warum intelligentere Medikamentenprognosen wichtig sind

Krankenhäuser, Apotheken und Patienten sind darauf angewiesen, dass die richtigen Medikamente zur richtigen Zeit verfügbar sind. Bestellt man zu wenig, können lebenswichtige Arzneimittel bei akutem Bedarf fehlen. Bestellt man zu viel, füllen sich Regale mit ablaufenden Produkten und es entsteht Verschwendung. Die Schwierigkeit besteht darin, dass die Nachfrage nach Medikamenten durch Grippe­saisons, neue Ausbrüche, geänderte Leitlinien und darin, wie Ärztinnen und Ärzte Wirkstoffe austauschen oder kombinieren, schwankt. Dieser Beitrag stellt einen neuen Ansatz zur Prognose der Medikamentennachfrage vor, der sowohl moderne künstliche Intelligenz als auch strukturiertes medizinisches Wissen nutzt, um Gesundheits‑Lieferketten verlässlicher und effizienter zu machen.

Grenzen heutiger Prognosetools

Viele Krankenhäuser und Anbieter verlassen sich noch auf traditionelle statistische Modelle, die davon ausgehen, dass die Nachfrage relativ glatten, vorhersehbaren Trends folgt. Diese Methoden behandeln jedes Medikament, als existiere es für sich allein, und ignorieren, wie ein Wirkstoff einen anderen ersetzen oder ergänzen kann. Neuere Machine‑Learning‑ und Deep‑Learning‑Modelle, etwa neuronale Netze, bewältigen Schwankungen in Zeitreihen besser, konzentrieren sich aber auch meist nur auf vergangene Verkaufszahlen. Dadurch übersehen sie oft einen wichtigen Aspekt: wie Ärztinnen und Ärzte tatsächlich zwischen verschiedenen Medikamenten wählen, wenn sie dieselbe Krankheit behandeln, insbesondere bei Substituten oder häufigen Kombinationen.

Eine Landkarte der Wirkstoffbeziehungen hinzufügen

Die Autoren gehen dieses Problem an, indem sie einen „Wissensgraphen“ für Arzneimittel aufbauen — eine Art Karte, die Medikamente, Symptome und Krankheiten miteinander verbindet. In diesem Graphen repräsentiert jeder Knoten ein Medikament oder Symptom, und jede Verbindung steht für eine reale Beziehung, etwa dass ein Antibiotikum ein anderes ersetzen kann oder ein Vitamin häufig zusammen mit einem Erkältungsmittel verordnet wird. Indem die Prognose in diesem strukturierten Netzwerk verankert wird, kann das Modell erkennen, dass wenn die Nachfrage nach einem Medikament steigt oder fällt, sich die Nachfrage nach seinen nahe stehenden Substituten oder typischen Partnern ebenfalls ändern kann. So werden verstreute Verkaufsdaten zu einem vernetzten Bild davon, wie Behandlungen in der Praxis zusammenwirken.

Wie das hybride KI‑Modell funktioniert

Um diese Karte und die Verkaufs­historie in Vorhersagen zu überführen, schlägt die Studie ein hybrides Modell namens KG‑GCN‑LSTM vor. Zuerst leitet ein Graph Convolutional Network (GCN) Informationen entlang der Verbindungen des Wissensgraphen, sodass die Repräsentation jedes Medikaments nicht nur seine eigene Historie, sondern auch das Verhalten verwandter Arzneimittel widerspiegelt. Ein spezieller „Clipping“-Schritt richtet das Modell anschließend wieder auf das Zielmedikament aus und reduziert Rauschen durch weniger relevante Nachbarn. Danach verarbeitet ein Long Short‑Term Memory‑Netzwerk (LSTM) — eine Art rekurrentes neuronales Netz für Sequenzen — die angereicherten wöchentlichen Nachfragedaten, um zeitliche Muster zu lernen, wie Saisonalität, langsames Wachstum und plötzliche Ausschläge. Schließlich wandelt eine einfache Ausgabeschicht diese erlernten Muster in Vorhersagen der künftigen Nachfrage um.

Tests in der Praxis in einer stark frequentierten Apotheke

Die Forschenden prüften ihren Ansatz an mehr als einer halben Million Verkaufsdatensätzen aus einer indonesischen Apotheke, die über 200 Produkte abdeckten. Sie bereinigten und aggregierten die Daten zu wöchentlichen Nachfragen, filterten Artikel mit sehr kurzer Historie heraus und bauten den Wissensgraphen mit internationalen Arzneimittelklassifikationen und bekannten Wechselwirkungen zwischen Wirkstoffen auf. Das neue Modell wurde dann gegen eine breite Palette etablierter Techniken verglichen, von klassischen ARIMA‑Modellen und Support‑Vector‑Regression bis zu modernen Deep‑Learning‑Systemen wie CNN‑LSTM, N‑BEATS und TimeMixer. Über mehrere gängige Fehlermessgrößen hinweg lieferte das wissensgestützte Modell insgesamt die genauesten Prognosen, verringerte den relativen Fehler um etwa 3,6 Prozentpunkte gegenüber einem starken Deep‑Learning‑Baseline und erreichte eine vergleichbare Leistung wie der aktuelle TimeMixer‑Ansatz, während es zugleich interpretierbarer ist und sich besser für Arzneimittel mit begrenzter Historie eignet.

Was das für Patienten und Leistungserbringer bedeutet

Für Nicht‑Expertinnen und Nicht‑Experten ist die Kernbotschaft klar: Wenn Prognosetools nicht nur „wie viel von jedem Medikament verkauft wurde“ verstehen, sondern auch „wie Medikamente in der realen medizinischen Praxis zueinander stehen“, können sie künftige Bedarfe besser vorhersagen. Das KG‑GCN‑LSTM‑Modell zeigt, dass die Einbindung von Domänenwissen in KI dazu beitragen kann, Lieferengpässe und Überbestände zu reduzieren, sodass Apotheken essentielle Medikamente vorrätig halten können, ohne unnötig Kapital zu binden. Während der Aufbau und die Pflege hochwertiger Wissensgraphen weiterhin Aufwand erfordern, weist diese Studie auf eine Zukunft hin, in der wissensbewusste Algorithmen still und zuverlässig robustere und kosteneffizientere Lieferketten im Gesundheitswesen unterstützen.

Zitation: 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

Schlüsselwörter: Prognose der Medikamentennachfrage, Versorgungskette im Gesundheitswesen, Wissensgraph, Graph-Neuronale Netze, Zeitreihenprognose