מודל למידת מכונה משולב, מוּטֵב על ידי זאב אפור היברידי ו‑eXtreme gradient boosting לחיזוי ביקוש לתרופות בבתי חולים

למה אספקת תרופות צריכה כדור בדולח חכם יותר

כשתגיע לבית חולים, אתה מצפה למצוא את התרופות הנכונות על המדף. מאחורי הקלעים, עם זאת, בתי חולים מתקשים לנחש כמה מכל תרופה יידרש במהלך השבועות הקרובים. אם מזמינים מעט מדי — עלולים להתרחש גזרי מחסור מסוכנים; אם מזמינים יותר מדי — תרופות יקרות עלולות לפקוע מבלי שנעשה בהן שימוש. המחקר הזה מציג גישה חדשה מונחית־נתונים לחיזוי שעוזרת לבתי חולים לצפות את צרכי התרופות בצורה מדויקת יותר על ידי שילוב נתוני חלוקת תרופות אמיתיים של מטופלים עם מידע על מזג אוויר ודפוסי עונות השנה המקומיות.

בעיות יומיומיות מאחורי דלפק המרקחת

בתי חולים ברחבי העולם מאזנים על חבל דק בין מחסור לפסולת. כלי חיזוי מסורתיים — כמו קווי מגמה פשוטים וממוצעים נעים — מתייחסים לביקוש כאילו הוא משתנה בצורה חלקה וניתנת לחיזוי. במציאות, השימוש בתרופות קופץ ויורד כשהמחלות מתפשטות, העונות משתנות ואירועים מקומיים מתרחשים. עונת השפעת, גל חום או התפרצות נשאית על ידי יתושים יכולים להעלות באופן פתאומי את הביקוש לתרופות מסוימות. שיטות קיימות לעתים קרובות מפספסות את הפיתולים הללו, במיוחד בבתי חולים קטנים או עם משאבים מוגבלים, מה שמוביל לרכישות בהיסטריה ברגע האחרון או לצבירה של מלאי שלא מנוצל.

להניח לנתונים, למזג אוויר ולעונות לספר את הסיפור

החוקרים התמקדו בשני בתי חולים מחוזיים במחוז לפון שבתאילנד, ואספו יותר מ‑3.4 מיליון רשומות של ביקורים חיצוניים וחלוקות מרפאה בין סוף 2023 ועד אמצע 2025. הם קישרו את הרשומות למאגר תרופות לאומי כך שכל פריט יוכל להישמר באופן עקבי בין בתי החולים. במקביל, הם משכו מידע מפורט על מזג האוויר — טמפרטורה, משקעים, לחות, רוח ושעות שמש — משירות מזג אוויר פתוח, לצד רמזי לוח השנה כגון שנה, חודש ומספר שבוע. על ידי שילוב רכיבים אלה בניתוח שבועי עשיר, הם בנו תמונה של עליות וירידות בביקוש ל‑588 תרופות שונות ביחס לפעילות בית החולים ולתנאים הסביבתיים.

איך להקת זאבים עוזרת לבחור את הרמזים הנכונים

כדי להפוך את הנתונים המורכבים האלה לחיזויים אמינים, הצוות תכנן מודל היברידי המשלב שתי רעיונות. הראשון הוא שיטת חיפוש המושפעת מהתנהגות הצייד של זאבים אפורים. במודל, כל "זאב" מייצג תת‑קבוצה אפשרית של רמזים — כגון מדדי מזג אוויר מסוימים או סימני זמן — שעשויים לסייע בחיזוי הביקוש. זאבים אלה משוטטים במרחב האפשרויות, ומתכנסים בהדרגה לשילובים המידעיים ביותר תוך שהם מפנים גורמים רועשים או מיותרים. הרעיון השני הוא מנוע חזוי עוצמתי המוכר בשם gradient boosting, הבונה עצי החלטה קטנים רבים ומשלבם לחיזוי חזק כולל. על ידי מתן יכולת לחיפוש בהשראת הזאבים לכוון אילו רמזים ישמשו וכיצד העצים יבנו, המערכת מרכזה את יכולת הלמידה שלה איפה שחשוב באמת.

העמדת המודל במבחן בבתי חולים אמיתיים

המודל ההיברידי החדש הושווה מול חמישה מתחרים חזקים בלמידת מכונה, כולל יערות אקראיים, רשתות נוירונים ושיטות boosting אחרות, כולם קיבלו את אותו מערך נתונים מנוקה ומאוחד. החוקרים העריכו ביצועים באמצעות שלושה מדדים מקובלים: גודל השגיאה הטיפוסית, עד כמה שגיאות גדולות נענשות בחומרה, ועד כמה המודל מסביר את השינויים וההתנודות בביקוש האמיתי. בכל המדדים הגישה ההיברידית התבררה כטובה ביותר. היא לא רק יצרה את השגיאות הקטנות ביותר אלא גם עקבה אחר שיאים ונקודות שפל פתאומיות בשימוש השבועי בתרופות ביתר דיוק מהאלטרנטיבות, ותוצאותיה נשארו יציבות גם כאשר חילקו את הנתונים לסטי אימון ובדיקה באופן שונה.

מה חיזויים טובים יותר משמעותם עבור מטופלים ומתכננים

עבור הקהל הרחב, המסר המרכזי פשוט: שימוש באלגוריתמים חכמים שמתייחסים למזג אוויר ולזמן יכול להפוך חיזוי תרופות בבתי חולים לאמינות הרבה יותר. אף שהוכחת הרעיון מתבססת על שני בתי חולים תאילנדים בלבד, היא מראה ששילוב נתוני חלוקה מהשטח עם אותות סביבתיים מקומיים יכול להפחית ניחושים, לקצץ בפסולת ולעזור למנוע מדפים ריקים. עם פיקוח זהיר ושילוב במערכות המידע של בתי החולים, כלים כאלה עשויים לסייע לצוותי רכש, לשפר תכנון תרופות ברמה לאומית, ולבסוף להגדיל את הסבירות שהתרופה הנכונה תהיה זמינה כשמטופל זקוק לה.

ציטוט: 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

מילות מפתח: חיזוי ביקוש לתרופות, בית מרקחת בבית חולים, למידת מכונה, שרשראות אספקה במערכת הבריאות, מזג אוויר ובריאות