למידת עומק משופרת בעזרת גרף ידע לחיזוי ביקוש לתרופות

מדוע חיזויים חכמים יותר לתרופות חשובים

בתי חולים, בתי מרקחת וחולים סומכים על זמינות התרופות הנכונות בזמן הנדרש. הזמנה מועטה מדי עלולה לגרום למחסור בתרופות מצילות חיים ברגעי חירום. הזמנה מרובה מדי ממלאת מדפים במוצרים שפג תוקפם וגורמת לבזבוז כספי. האתגר הוא שביקוש לתרופות משתנה עם עונות השפעת, התפרצויות חדשות, הנחיות שמשתנות ואופן שבו רופאים מחליפים או משלבים תרופות. מאמר זה מציג שיטה חדשה לחיזוי ביקוש לתרופות שמשלבת בינה מלאכותית מתקדמת וידע רפואי מובנה כדי להפוך את שרשרת האספקה הבריאותית לידידותית ואמינה יותר.

מגבלות כלי החיזוי הקיימים

רבים מבתי החולים והספקים עדיין מסתמכים על מודלים סטטיסטיים מסורתיים שמניחים שביקוש נע לפי מגמות יחסית חלקות וניתנות לחיזוי. שיטות אלה מתייחסות לכל תרופה כאילו היא חיה בעולם משלה, ומתעלמות מאופן שבו תרופה אחת יכולה להחליף או להשלים אחרת. מודלים חדשים יותר של למידת מכונה ולמידת עומק, כגון רשתות עצביות, מטפלים טוב יותר בתנודות בנתוני סדרות זמן, אך גם הם בדרך כלל מתמקדים רק בהיסטוריית המכירות. כתוצאה מכך הם לעתים קרובות מפספסים חלק חשוב: כיצד רופאים בוחרים בפועל בין תרופות שונות לטיפול באותו מחלה, במיוחד כאשר קיימים תחליפים או שילובים נפוצים.

הוספת מפה של יחסי תרופות

המחברים מתמודדים עם הבעיה על‑ידי בניית "גרף ידע" בתחום הפרמצבטיקה—מיני מפה שמקשרת בין תרופות, תסמינים ומחלות. בגרף זה כל צומת מייצגת תרופה או תסמין, וכל קישור מייצג קשר מעשי, כגון אנטיביוטיקה שמחליפה אנטיביוטיקה אחרת, או ויטמין שנרשם לעיתים קרובות יחד עם תרופת צינון. על‑ידי עיגון החיזוי במפה המובנית הזו, המודל יכול לראות שאם הביקוש לתרופה אחת עולה או יורד, הביקוש לתחליפים הקרובים או לשותפים הטיפוסיים עשוי להשתנות גם כן. זה הופך רשומות מכירה מפוזרות לתמונה מחוברת של האופן שבו טיפולים מתקשרים בפועל.

כיצד פועל המודל ההיברידי

כדי להפוך את המפה וההיסטוריה של המכירות לחיזויים, המחקר מציע מודל היברידי בשם KG‑GCN‑LSTM. ראשית, רשת קונבולוציה גרפית (GCN) מעבירה מידע לאורך הקישורים בגרף הידע כך שמייצוג כל תרופה משקף לא רק את ההיסטוריה שלה אלא גם את ההתנהגות של תרופות קרובות. שלב "חיתוך" מיוחד ממקד את המודל חזרה לתרופה היעד, ומפחית רעש משכנים פחות רלוונטיים. לאחר מכן, רשת זיכרון לטווח ארוך וקצר (LSTM)—סוג של רשת חוזרת המיועדת לרצפים—מעבדת את נתוני הביקוש השבועיים המועשרים כדי ללמוד דפוסים לאורך זמן, כגון עונתיות, גידול הדרגתי וקפיצות פתאומיות. לבסוף, שכבת יציאה פשוטה ממירה את הדפוסים הנלמדים לחיזויים של הביקוש העתידי.

בדיקות בעולם האמיתי בבית מרקחת עמוס

החוקרים בדקו את הגישה שלהם על יותר מחצי מיליון רשומות מכירה מבית מרקחת אינדונזי, הכוללות למעלה מ‑200 מוצרים. הם ניקו ואגרגו את הנתונים לביקוש שבועי, סיננו פריטים עם היסטוריות קצרות מאוד ובנו את גרף הידע תוך שימוש במיון תרופות בינלאומי ובאינטראקציות ידועות בין תרופות. המודל החדש הושווה לטווח רחב של טכניקות מבוססות, החל מ‑ARIMA קלאסי ורגסיה של וקטור תמיכה ועד מערכות למידת עומק מודרניות כמו CNN‑LSTM, N‑BEATS ו‑TimeMixer. על פני מספר מדדי שגיאה סטנדרטיים, המודל המשולב המבוסס ידע סיפק את החיזויים המדויקים ביותר בסך הכל, וקיצץ את השגיאה היחסית בכ־3.6 נקודות אחוז בהשוואה לבסיס חזק של למידת עומק והתאים את ביצועי גישת TimeMixer העדכנית, תוך היותו פרשני יותר ומתאים יותר לתרופות עם היסטוריה מוגבלת.

מה זה אומר לחולים ולנותני שירות

לא־מומחים, המסר המרכזי פשוט: כאשר כלי החיזוי מבינים לא רק "כמה מכל תרופה נמכר" אלא גם "כיצד תרופות קשורות זו לזו בשימוש רפואי אמיתי", הם יכולים לחזות טוב יותר את הצרכים העתידיים. המודל KG‑GCN‑LSTM מראה ששילוב ידע תחומי בבינה מלאכותית יכול להפחית מצבי חוסרים ומלאי עודף, ולעזור לבתי מרקחת לשמור על תרופות חיוניות על המדף מבלי להקפיא כספים מיותרת. למרות שבניית ותחזוקת גרפי ידע באיכות גבוהה עדיין דורשת מאמץ, המחקר מצביע על עתיד שבו אלגוריתמים חכמים, מודעים לידע, תומכים בשקט בשרשראות אספקה בריאותיות עמידות וחסכוניות יותר.

ציטוט: 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

מילות מפתח: חיזוי ביקוש לתרופות, שרשרת אספקת בריאות, גרף ידע, רשתות עצביות גרפיות, חיזוי סדרות זמנים