データ不足下での逆伝播ニューラルネットワークを用いた短期病院マスク需要予測の実現可能性

危機時にマスク計画が重要な理由

新たな感染症が発生すると、病院は医療用マスクのような単純だが重要な備品を使い果たすことがあります。マスクを少なすぎて注文すれば医師や看護師が無防備になり、多すぎれば資金や保管スペースを圧迫します。本稿は、過去データがごくわずかしかない場合でも、小規模でデータ要求の少ない計算モデルが翌日のマスク需要について短期的な推測を改善できるかを問います。

病院のマスク使用を日ごとに観察する

研究者らは、流行期間中の中国の大病院における24日間のマスク使用を調査しました。各データ点はその日の病院全体で使用されたマスク総数であり、個々の患者に関する情報は含まれていません。この非常に短い記録は、新しい流行の初期段階を反映しており、管理者は迅速に行動しなければならない一方で指針となる過去データがほとんどありませんでした。これらの日々の需要は患者数、スタッフの行動、対策の変化を反映して急激に上下し、単純な直線的予測では信頼できない状況を示しています。

短い履歴を学習問題に変える

この24日分の毎日カウントをコンピュータが学習できる形にするために、研究チームはスライディングウィンドウ法を用いました。連続する4日分のマスク使用量を「入力」とし、5日目のマスク使用量を「出力」としてモデルに予測させました。このウィンドウを時間軸に沿って動かすことで20個の事例が得られました。最初の17日分がモデルの訓練に使われ、最後の3日分は未見の将来需要をどれだけ予測できるかを試すために検証用に残されました。これは病院が実運用でこのようなツールを使う状況を模しています。

単純なニューラルネットワークとよく知られた手法の比較

主に検証されたのは浅い逆伝播ニューラルネットワークで、データの曲がりや複雑な形状を捉えられる比較的単純なノードの積み重ねです。ネットワークは1つの隠れ層を持ち、値を同じ範囲にスケーリングすることや、小さな検証セットでの性能が改善しなくなった時点で学習を早期停止するなどの一般的な訓練手法を用いています。目的は直近4日間のマスク使用量と翌日の使用量の関係を学習することでした。研究ではこのネットワークを、単に昨日の値をそのまま使う単純法、古典的なARIMA時系列モデル、そして長短期記憶（LSTM）深層学習モデルの3つの標準的な代替手法と比較しました。

モデルは実際のマスク使用にどれほど追随したか

データセットが極めて小さいにもかかわらず、浅いニューラルネットワークは速やかに収束し、安定した予測を生成しました。実際のマスク数に戻したときの平均誤差は1日あたり約415枚、二乗平均平方根誤差は約519枚でした。この実験では、それがARIMAおよびLSTMの両者を上回り、特に需要が急落・急増する局面で「明日は今日と同じ」という単純な推定より明らかに改善しました。予測値と実測値の比較では訓練および検証データで強い一致が見られ、テスト日では許容できるがやや弱い一致が示され、モデルは短期的なトレンドを追うことはできても最も急激な変化には依然として苦戦することが示唆されました。

実際の病院への注意点と今後の展開

著者らは、このモデルが実用化-readyなツールではなく実現可能性の証明であることを強調しています。1病院からの24日分のデータしかないため、ネットワークがこの短い時系列の特有の癖を部分的に学んでしまい、一般的な規則ではない可能性が高く、過学習の兆候も見られました。それでもなお、この研究はデータが乏しい場合において単純なニューラルネットワークが複数の一般的な代替手段より短期的な指針として有用であり得ることを示しています。病院の計画担当者にとっては、軽量なモデルが流行初期のマスク在庫管理における迅速な暫定支援として機能し得ることを示唆しており、より長期で豊富なデータが複数病院から得られ次第、置き換えや改良が必要であることを示しています。

引用: Wang, Y., Han, Y., Wang, S. et al. Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity. Sci Rep 16, 14904 (2026). https://doi.org/10.1038/s41598-026-44754-4

キーワード: 病院備品, マスク需要, ニューラルネットワーク, 流行対策計画, 時系列予測