Apprentissage profond enrichi par des graphes de connaissances pour la prévision de la demande pharmaceutique

Pourquoi des prévisions de médicaments plus intelligentes comptent

Hôpitaux, pharmacies et patients dépendent tous de la disponibilité des bons médicaments au bon moment. Commander trop peu et des médicaments vitaux peuvent manquer au moment où ils sont urgemment nécessaires. Commander trop et les rayons se remplissent de produits qui périment, gaspillant de l'argent. Le défi tient au fait que la demande de médicaments varie avec les saisons grippales, les nouvelles épidémies, l'évolution des recommandations et la façon dont les médecins substituent ou combinent des traitements. Cet article présente une nouvelle méthode de prévision de la demande de médicaments qui utilise à la fois une intelligence artificielle avancée et des connaissances médicales structurées pour rendre les chaînes d'approvisionnement de santé plus fiables et plus efficaces.

Les limites des outils de prévision actuels

Beaucoup d'hôpitaux et de fournisseurs s'appuient encore sur des modèles statistiques traditionnels qui supposent que la demande suit des tendances relativement lisses et prévisibles. Ces méthodes traitent chaque médicament comme s'il évoluait dans son propre monde, ignorant comment un médicament peut remplacer ou compléter un autre. Les modèles d'apprentissage automatique et d'apprentissage profond plus récents, comme les réseaux neuronaux, gèrent mieux les fluctuations des séries temporelles, mais ils se concentrent eux aussi généralement sur les seuls historiques de ventes. Ils passent ainsi souvent à côté d'un élément important : la manière dont les médecins choisissent réellement entre différents médicaments pour traiter une même maladie, surtout lorsqu'il existe des substituts ou des associations fréquentes.

Ajouter une carte des relations entre médicaments

Les auteurs adressent ce problème en construisant un « graphe de connaissances » pour les produits pharmaceutiques — une sorte de carte qui relie médicaments, symptômes et maladies. Dans ce graphe, chaque nœud représente un médicament ou un symptôme, et chaque lien matérialise une relation du monde réel, comme un antibiotique substituable par un autre ou une vitamine prescrite couramment avec un remède contre le rhume. En ancrant la prévision dans cette carte structurée, le modèle peut comprendre que si la demande pour un médicament augmente ou diminue, celle de ses substituts proches ou de ses partenaires habituels peut également évoluer. Ainsi, des enregistrements de ventes épars se transforment en une image connectée de l'interaction des traitements dans la pratique.

Comment fonctionne le modèle hybride d'IA

Pour transformer cette carte et l'historique des ventes en prévisions, l'étude propose un modèle hybride appelé KG‑GCN‑LSTM. D'abord, un réseau de convolution sur graphe (GCN) fait circuler l'information le long des liens du graphe de connaissances de sorte que la représentation de chaque médicament reflète non seulement son propre historique mais aussi le comportement des médicaments connexes. Une étape spéciale de « clipping » recentre ensuite le modèle sur le médicament cible, réduisant le bruit provenant de voisins moins pertinents. Ensuite, un réseau à mémoire à long terme (LSTM) — un type de réseau neuronal récurrent conçu pour les séquences — traite les données hebdomadaires de demande enrichies afin d'apprendre des motifs temporels comme la saisonnalité, la croissance progressive et les pics soudains. Enfin, une couche de sortie simple convertit ces motifs appris en prédictions de la demande future.

Tests en conditions réelles dans une pharmacie fréquentée

Les chercheurs ont testé leur approche sur plus d'un demi-million d'enregistrements de ventes provenant d'une pharmacie indonésienne, couvrant plus de 200 produits. Ils ont nettoyé et agrégé les données en demande hebdomadaire, filtré les articles ayant un historique très court et construit le graphe de connaissances en s'appuyant sur des classifications pharmaceutiques internationales et des interactions médicament‑médicament connues. Le nouveau modèle a ensuite été comparé à un large éventail de techniques établies, allant des classiques ARIMA et régression à vecteurs de support jusqu'aux systèmes modernes d'apprentissage profond comme CNN‑LSTM, N‑BEATS et TimeMixer. Selon plusieurs mesures d'erreur standard, le modèle enrichi par les connaissances a fourni les prévisions les plus précises au global, réduisant l'erreur relative d'environ 3,6 points de pourcentage par rapport à une solide référence en apprentissage profond et égalant la performance de l'approche TimeMixer la plus récente tout en étant plus interprétable et mieux adapté aux médicaments à historique limité.

Ce que cela signifie pour les patients et les prestataires

Pour un public non spécialiste, le message principal est simple : lorsque les outils de prévision comprennent non seulement « combien de chaque médicament a été vendu » mais aussi « comment les médicaments se rapportent les uns aux autres dans l'usage médical réel », ils peuvent mieux anticiper les besoins futurs. Le modèle KG‑GCN‑LSTM montre que l'intégration des connaissances métier dans l'IA peut réduire les ruptures de stock et les surstocks, aidant les pharmacies à maintenir les médicaments essentiels disponibles sans immobiliser des fonds inutilement. Si la construction et la mise à jour de graphes de connaissances de haute qualité demandent encore des efforts, cette étude ouvre la voie à un avenir où des algorithmes plus intelligents et sensibles au domaine soutiennent discrètement des chaînes d'approvisionnement de santé plus résilientes et économiquement efficaces.

Citation: 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

Mots-clés: prévision de la demande de médicaments, chaîne d'approvisionnement en santé, graphe de connaissances, réseaux neuronaux sur graphes, prévision de séries temporelles