Apprendimento profondo potenziato da knowledge graph per la previsione della domanda farmaceutica

Perché servono previsioni farmacologiche più intelligenti

Ospedali, farmacie e pazienti dipendono tutti dall’avere i farmaci giusti disponibili al momento giusto. Ordinare troppo poco può far sì che farmaci salvavita siano esauriti quando servono con urgenza. Ordinare troppo può riempire gli scaffali di prodotti che scadono e fanno perdere risorse. La difficoltà è che la domanda di medicinali varia con le stagioni influenzali, nuovi focolai, linee guida in evoluzione e il modo in cui i medici sostituiscono o combinano i farmaci. Questo articolo presenta un nuovo metodo per prevedere la domanda di farmaci che utilizza sia l’intelligenza artificiale avanzata sia conoscenze mediche strutturate per rendere le catene di approvvigionamento sanitarie più affidabili ed efficienti.

Limiti degli strumenti di previsione attuali

Molti ospedali e fornitori si affidano ancora a modelli statistici tradizionali che presuppongono che la domanda segua tendenze relativamente lisce e prevedibili. Questi metodi trattano ogni farmaco come se vivesse nel proprio mondo, ignorando come un medicinale possa sostituirne o completarne un altro. Modelli più recenti di machine learning e deep learning, come le reti neurali, gestiscono meglio gli alti e bassi delle serie temporali, ma anche questi di solito si concentrano solo sui numeri delle vendite passate. Di conseguenza, spesso manca una parte importante della storia: come i medici scelgono davvero tra diversi farmaci nel trattamento della stessa malattia, specialmente quando esistono sostituti o combinazioni comuni.

Aggiungere una mappa delle relazioni tra farmaci

Gli autori affrontano questo problema costruendo un “knowledge graph” per i farmaci — una sorta di mappa che collega farmaci, sintomi e malattie. In questo grafo, ogni nodo rappresenta un farmaco o un sintomo e ogni collegamento rappresenta una relazione del mondo reale, come un antibiotico che sostituisce un altro o una vitamina comunemente prescritta insieme a un rimedio per il raffreddore. Ancorando la previsione a questa mappa strutturata, il modello può capire che se la domanda di un farmaco aumenta o diminuisce, anche la domanda dei suoi sostituti stretti o dei partner tipici può variare. Questo trasforma registrazioni di vendite disperse in un quadro connesso di come i trattamenti interagiscono nella pratica.

Come funziona il modello ibrido di AI

Per trasformare questa mappa e la storia delle vendite in previsioni, lo studio propone un modello ibrido chiamato KG‑GCN‑LSTM. Innanzitutto, una graph convolutional network (GCN) fa fluire l’informazione lungo i collegamenti del knowledge graph in modo che la rappresentazione di ciascun farmaco rifletta non solo la propria storia ma anche il comportamento dei farmaci correlati. Un passaggio speciale di “clipping” riporta poi il modello sul farmaco target, riducendo il rumore proveniente da vicini meno rilevanti. Successivamente, una long short‑term memory network (LSTM) — un tipo di rete ricorrente progettata per sequenze — elabora i dati di domanda settimanale arricchiti per apprendere pattern nel tempo, come stagionalità, crescita graduale e picchi improvvisi. Infine, uno strato di uscita semplice trasforma questi pattern appresi in previsioni della domanda futura.

Test nel mondo reale in una farmacia affollata

I ricercatori hanno testato l’approccio su oltre mezzo milione di record di vendita di una farmacia indonesiana, coprendo oltre 200 prodotti. Hanno pulito e aggregato i dati in domanda settimanale, filtrato gli articoli con storie molto brevi e costruito il knowledge graph utilizzando classificazioni farmaceutiche internazionali e interazioni farmaco‑farmaco note. Il nuovo modello è stato quindi confrontato con un’ampia gamma di tecniche consolidate, dai classici ARIMA e support vector regression ai sistemi moderni di deep learning come CNN‑LSTM, N‑BEATS e TimeMixer. Su diverse misure standard di errore, il modello potenziato con conoscenza ha fornito le previsioni più accurate in assoluto, riducendo l’errore relativo di circa 3,6 punti percentuali rispetto a un solido modello deep‑learning di riferimento e uguagliando le prestazioni dell’ultimo approccio TimeMixer, pur risultando più interpretabile e meglio adatto ai farmaci con storia limitata.

Cosa significa per pazienti e operatori

Per i non specialisti, il messaggio principale è semplice: quando gli strumenti di previsione comprendono non solo “quanto di ogni farmaco è stato venduto” ma anche “come i farmaci si relazionano tra loro nell’uso medico reale”, possono anticipare meglio i fabbisogni futuri. Il modello KG‑GCN‑LSTM mostra che intrecciare conoscenze di dominio nell’AI può ridurre le rotture di stock e l’eccesso di scorte, aiutando le farmacie a mantenere i farmaci essenziali sugli scaffali senza immobilizzare fondi inutili. Sebbene costruire e mantenere knowledge graph di alta qualità richieda ancora impegno, questo studio indica un futuro in cui algoritmi più intelligenti e consapevoli del dominio supportano in modo discreto catene di approvvigionamento sanitarie più resilienti ed economicamente efficienti.

Citazione: 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

Parole chiave: previsione della domanda di farmaci, catena di approvvigionamento sanitaria, knowledge graph, graph neural networks, previsione di serie temporali