Ein hybrides grauwolf-optimiertes eXtreme Gradient Boosting-Maschinenlernmodell zur Prognose des Arzneimittelbedarfs in Krankenhäusern

Warum die Arzneimittelversorgung eine intelligentere Kristallkugel braucht

Wenn Sie in ein Krankenhaus kommen, erwarten Sie, dass die richtigen Medikamente auf dem Regal stehen. Hinter den Kulissen haben Krankenhäuser jedoch Mühe abzuschätzen, wie viel von jedem Wirkstoff sie in den kommenden Wochen benötigen werden. Bestellen sie zu wenig, drohen gefährliche Engpässe für Patienten; bestellen sie zu viel, verfallen teure Medikamente ungenutzt. Diese Studie stellt einen neuen datengetriebenen Prognoseansatz vor, der Krankenhäusern hilft, den Arzneimittelbedarf genauer vorherzusagen, indem echte Abgabedaten mit lokalen Wetter- und Jahreszeitmustern verknüpft werden.

Alltägliche Probleme hinter dem Apothekentresen

Krankenhäuser weltweit balancieren zwischen Mangel und Verschwendung. Traditionelle Prognosewerkzeuge – etwa einfache Trendlinien und gleitende Durchschnitte – behandeln die Nachfrage, als würde sie sich gleichmäßig und vorhersehbar ändern. In Wirklichkeit schwankt der Arzneimittelverbrauch, wenn sich Krankheiten ausbreiten, Jahreszeiten wechseln und lokale Ereignisse auftreten. Grippeperioden, Hitzewellen oder von Mücken übertragene Ausbrüche können die Nachfrage nach bestimmten Medikamenten plötzlich in die Höhe treiben. Bestehende Methoden übersehen diese Wendungen oft, besonders in kleineren oder ressourcenbegrenzten Krankenhäusern, was zu panischen Last-Minute-Bestellungen oder Haufen ungenutzter Bestände führt.

Daten, Wetter und Jahreszeiten die Geschichte erzählen lassen

Die Forschenden konzentrierten sich auf zwei Provinzkrankenhäuser in der Provinz Lamphun, Thailand, und sammelten mehr als 3,4 Millionen Datensätze zu ambulanten Besuchen und Apothekenabgaben zwischen Ende 2023 und Mitte 2025. Sie verknüpften diese Datensätze mit einem nationalen Arzneimittelkatalog, sodass jeder Artikel über die Krankenhäuser hinweg konsistent nachverfolgt werden konnte. Gleichzeitig bezogen sie detaillierte Wetterdaten – Temperatur, Niederschlag, Luftfeuchtigkeit, Wind und Sonnenschein – von einem offenen Wetterdienst sowie Kalenderelemente wie Jahr, Monat und Wochennummer. Durch die Kombination dieser Informationen entstand ein reichhaltiges wöchentliches Bild davon, wie sich die Nachfrage nach 588 verschiedenen Medikamenten sowohl mit der Krankenhausaktivität als auch mit Umweltbedingungen verändert.

Wie ein Wolfsrudel hilft, die richtigen Hinweise auszuwählen

Um diese komplexen Daten in verlässliche Vorhersagen zu verwandeln, entwarf das Team ein hybrides Modell, das zwei Ideen verbindet. Die erste ist eine Suchmethode, die vom Jagdverhalten der Grauwölfe inspiriert ist. Im Modell repräsentiert jeder „Wolf“ eine mögliche Teilmenge von Hinweisen – etwa bestimmte Wettermaße oder Zeitmarker –, die bei der Nachfrageprognose helfen könnten. Diese Wölfe durchstreifen den Raum der Möglichkeiten und konvergieren schrittweise zu den informativsten Kombinationen, während sie Rauschen oder redundante Faktoren verwerfen. Die zweite Idee ist eine leistungsstarke Vorhersageengine namens Gradient Boosting, die viele kleine Entscheidungsbäume baut und zu einer starken Gesamtprognose kombiniert. Indem die wolf-inspirierte Suche darüber entscheidet, welche Hinweise verwendet werden und wie die Bäume aufgebaut werden, konzentriert das System seine Lernkapazität dort, wo sie am meisten wirkt.

Das Modell in realen Krankenhäusern auf die Probe gestellt

Das neue hybride Modell trat gegen fünf starke Machine-Learning-Rivalen an, darunter Random Forests, neuronale Netze und andere Boosting-Methoden, die alle mit denselben bereinigten und standardisierten Daten gefüttert wurden. Die Forschenden bewerteten die Leistung anhand dreier gängiger Maßstäbe: wie groß der typische Fehler war, wie stark große Fehler gewichtet wurden und wie viel der Schwankungen in der realen Nachfrage das Modell erklären konnte. Über alle Kriterien hinweg schnitt der hybride Ansatz am besten ab. Er erzeugte nicht nur die geringsten Fehler, sondern verfolgte auch plötzliche Spitzen und Einbrüche im wöchentlichen Arzneimitteleinsatz genauer als die Alternativen, und seine Ergebnisse blieben stabil, selbst wenn die Aufteilung in Trainings- und Testdaten verändert wurde.

Was bessere Prognosen für Patienten und Planer bedeuten

Für Nichtfachleute ist die Kernbotschaft klar: Der Einsatz intelligenterer Algorithmen, die Wetter und Zeitpunkte berücksichtigen, kann Krankenhausarzneimittelprognosen deutlich zuverlässiger machen. Auch wenn dieser Proof-of-Concept nur auf zwei thailändischen Krankenhäusern basiert, zeigt er, dass die Kombination realer Abgabedaten mit lokalen Umweltsignalen Unsicherheit verringern, Verschwendung reduzieren und verhindern kann, dass Regale leerstehen. Mit sorgfältiger Aufsicht und Integration in Krankenhausinformationssysteme könnten solche Werkzeuge Einkaufsteams unterstützen, die nationale Arzneimittelplanung verbessern und letztlich die Wahrscheinlichkeit erhöhen, dass das richtige Medikament verfügbar ist, wenn ein Patient es braucht.

Zitation: 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

Schlüsselwörter: Prognose des Arzneimittelbedarfs, Krankenhausapotheke, Machine Learning, Versorgungsketten im Gesundheitswesen, Wetter und Gesundheit