Un modèle hybride optimisé par loup gris et eXtreme gradient boosting pour la prévision de la demande pharmaceutique hospitalière

Pourquoi l’approvisionnement en médicaments a besoin d’une boule de cristal plus intelligente

Quand vous arrivez à l’hôpital, vous vous attendez à ce que les bons médicaments soient disponibles. En coulisses, cependant, les hôpitaux peinent à estimer la quantité de chaque médicament dont ils auront besoin dans les semaines à venir. Commander trop peu expose les patients à des ruptures dangereuses ; commander trop implique que des médicaments coûteux périment sans avoir été utilisés. Cette étude présente une nouvelle approche prédictive fondée sur les données qui aide les hôpitaux à anticiper les besoins en médicaments plus précisément en combinant les historiques réels de délivrance aux patients avec les conditions météorologiques locales et les rythmes saisonniers.

Les problèmes quotidiens derrière le comptoir de la pharmacie

Les hôpitaux du monde entier jonglent entre pénuries et gaspillage. Les outils de prévision traditionnels — tels que les simples tendances ou les moyennes mobiles — traitent la demande comme si elle évoluait de manière lisse et prévisible. En réalité, l’utilisation des médicaments fluctue fortement selon la propagation des maladies, les saisons et les événements locaux. La saison de la grippe, les vagues de chaleur ou des épidémies transmises par des moustiques peuvent soudainement faire grimper la demande pour certains traitements. Les méthodes existantes ratent souvent ces virages, en particulier dans les hôpitaux de moindre taille ou aux ressources limitées, entraînant des achats de panique à la dernière minute ou des stocks inutilisés en surplus.

Laisser les données, la météo et les saisons raconter l’histoire

Les chercheurs se sont concentrés sur deux hôpitaux provinciaux de la province de Lamphun, en Thaïlande, en collectant plus de 3,4 millions d’enregistrements de consultations ambulatoires et de délivrances de pharmacie entre fin 2023 et mi‑2025. Ils ont lié ces enregistrements à un catalogue national de médicaments afin que chaque article soit suivi de manière cohérente entre les hôpitaux. Parallèlement, ils ont intégré des données météorologiques détaillées — température, précipitations, humidité, vent et ensoleillement — issues d’un service météorologique ouvert, ainsi que des indices calendaires comme l’année, le mois et le numéro de semaine. En combinant ces éléments, ils ont construit un tableau hebdomadaire riche montrant comment la demande pour 588 médicaments différents augmente et diminue en fonction de l’activité hospitalière et des conditions environnementales.

Comment une meute de loups aide à choisir les bons indices

Pour transformer ces données complexes en prévisions fiables, l’équipe a conçu un modèle hybride qui marie deux idées. La première est une méthode de recherche inspirée du comportement de chasse du loup gris. Dans le modèle, chaque « loup » représente un sous‑ensemble possible d’indices — par exemple certaines mesures météorologiques ou marqueurs temporels — susceptibles d’aider à prédire la demande. Ces loups explorent l’espace des possibilités, convergeant progressivement vers les combinaisons les plus informatives tout en écartant les facteurs bruyants ou redondants. La seconde idée est un moteur de prédiction puissant connu sous le nom de gradient boosting, qui construit de nombreux petits arbres de décision et les combine en une prévision robuste. En laissant la recherche inspirée des loups déterminer quels indices utiliser et comment construire les arbres, le système concentre sa puissance d’apprentissage là où elle compte le plus.

Tester le modèle dans de vrais hôpitaux

Le nouveau modèle hybride a été confronté à cinq concurrents performants en apprentissage automatique, y compris les forêts aléatoires, les réseaux neuronaux et d’autres méthodes de boosting, tous alimentés par les mêmes données nettoyées et standardisées. Les chercheurs ont évalué les performances selon trois critères courants : l’ampleur de l’erreur typique, la pénalisation des grosses erreurs et la proportion des variations réelles de la demande expliquée par le modèle. Sur l’ensemble des mesures, l’approche hybride s’est imposée. Elle a non seulement affiché les erreurs les plus faibles, mais a aussi suivi de plus près les pics et creux soudains de la consommation hebdomadaire de médicaments que les alternatives, et ses résultats sont demeurés stables même lorsque la séparation entraînement/test des données a été modifiée.

Ce que des prévisions améliorées signifient pour les patients et les planificateurs

Pour les non‑spécialistes, le message central est simple : employer des algorithmes plus intelligents qui tiennent compte de la météo et du calendrier peut rendre les prévisions de médicaments hospitaliers beaucoup plus fiables. Bien que cette preuve de concept repose sur seulement deux hôpitaux thaïlandais, elle montre que la combinaison des données réelles de délivrance et des signaux environnementaux locaux peut réduire les approximations, diminuer le gaspillage et contribuer à éviter les ruptures de stock. Avec une supervision adéquate et une intégration aux systèmes d’information hospitaliers, de tels outils pourraient aider les services achats, améliorer la planification nationale des médicaments et, en définitive, accroître la probabilité que le bon médicament soit disponible lorsque le patient en a besoin.

Citation: 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

Mots-clés: prévision de la demande en médicaments, pharmacie hospitalière, apprentissage automatique, chaînes d'approvisionnement en santé, météo et santé