Un modello ibrido basato su ottimizzazione con grey wolf e eXtreme gradient boosting per la previsione della domanda farmaceutica ospedaliera

Perché la fornitura di farmaci ha bisogno di una sfera di cristallo più intelligente

Quando arrivi in ospedale, ti aspetti che i farmaci giusti siano disponibili sugli scaffali. Dietro le quinte, però, gli ospedali faticano a prevedere quanto di ciascun farmaco servirà nelle settimane a venire. Ordinare troppo poco espone i pazienti a pericolose rotture di stock; ordinare troppo porta a farmaci costosi che scadono inutilizzati. Questo studio presenta un nuovo approccio predittivo basato sui dati che aiuta gli ospedali a prevedere con maggiore precisione le esigenze di farmaci, combinando i reali dati di erogazione ai pazienti con informazioni locali sul meteo e sui periodi dell’anno.

Problemi quotidiani dietro il bancone della farmacia

Gli ospedali di tutto il mondo camminano su un filo sottile tra carenze e sprechi. Gli strumenti tradizionali di previsione—come semplici linee di tendenza e medie mobili—trattano la domanda come se cambiasse in modo regolare e prevedibile. In realtà, l’uso dei farmaci può salire e scendere rapidamente con la diffusione di malattie, il susseguirsi delle stagioni e gli eventi locali. La stagione influenzale, le ondate di caldo o le epidemie trasmesse dalle zanzare possono improvvisamente far aumentare la domanda di farmaci specifici. I metodi esistenti spesso non colgono questi scossoni, specialmente in ospedali più piccoli o con risorse limitate, portando a acquisti affrettati dell’ultimo minuto o a pile di scorte inutilizzate.

Lasciare che dati, meteo e stagioni raccontino la storia

I ricercatori si sono concentrati su due ospedali provinciali nella provincia di Lamphun, in Thailandia, raccogliendo oltre 3,4 milioni di registrazioni di visite ambulatoriali e di erogazioni in farmacia tra la fine del 2023 e la metà del 2025. Hanno collegato questi record a un catalogo nazionale dei farmaci in modo che ogni articolo potesse essere tracciato in modo coerente tra gli ospedali. Allo stesso tempo, hanno integrato informazioni meteorologiche dettagliate—temperatura, precipitazioni, umidità, vento e luce solare—provenienti da un servizio meteorologico open, insieme a indizi di calendario come anno, mese e numero della settimana. Combinando questi elementi, hanno costruito un ricco quadro settimanale di come la domanda per 588 diversi farmaci aumenta e diminuisce in relazione sia all’attività ospedaliera sia alle condizioni ambientali.

Come un branco di lupi aiuta a scegliere gli indizi giusti

Per trasformare questi dati complessi in previsioni affidabili, il team ha progettato un modello ibrido che unisce due idee. La prima è un metodo di ricerca ispirato al comportamento di caccia del lupo grigio. Nel modello, ogni “lupo” rappresenta un possibile sottoinsieme di indizi—come certe misure meteorologiche o marcatori temporali—che potrebbero aiutare a prevedere la domanda. Questi lupi esplorano lo spazio delle possibilità, convergendo progressivamente sulle combinazioni più informative mentre scartano fattori rumorosi o ridondanti. La seconda idea è un motore predittivo potente noto come gradient boosting, che costruisce molti piccoli alberi decisionali e li combina in una previsione complessiva robusta. Permettendo alla ricerca ispirata ai lupi di sintonizzare quali indizi usare e come costruire gli alberi, il sistema concentra la sua capacità di apprendimento dove conta di più.

Mettere il modello alla prova in ospedali reali

Il nuovo modello ibrido è stato confrontato con cinque forti rivali di machine learning, tra cui random forest, reti neurali e altri metodi di boosting, tutti alimentati con gli stessi dati puliti e standardizzati. I ricercatori hanno valutato le prestazioni usando tre metriche comuni: l’entità dell’errore tipico, quanto vengono penalizzati gli errori grossi e quanto delle oscillazioni nella domanda reale il modello è in grado di spiegare. In generale, l’approccio ibrido è risultato il migliore. Non solo ha commesso gli errori minori, ma ha anche seguito picchi e cadute improvvise nell’uso settimanale dei farmaci più da vicino rispetto alle alternative, e i suoi risultati sono rimasti stabili anche variando la divisione tra dati di addestramento e di test.

Cosa significano previsioni migliori per pazienti e pianificatori

Per i non specialisti, il messaggio centrale è semplice: usare algoritmi più intelligenti che tengano conto del meteo e del calendario può rendere le previsioni di farmaci ospedalieri molto più affidabili. Sebbene questa prova di concetto si basi su soli due ospedali tailandesi, dimostra che mescolare dati reali di erogazione con segnali ambientali locali può ridurre l’incertezza, tagliare gli sprechi e contribuire a evitare che gli scaffali restino vuoti. Con attento controllo e integrazione nei sistemi informativi ospedalieri, tali strumenti potrebbero supportare i team di acquisto, migliorare la pianificazione nazionale dei farmaci e, in ultima analisi, aumentare la probabilità che il farmaco giusto sia disponibile quando un paziente ne ha bisogno.

Citazione: 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

Parole chiave: previsione della domanda di farmaci, farmacia ospedaliera, apprendimento automatico, catene di fornitura sanitarie, tempo e salute