Een hybride grijze-wolf-geoptimaliseerd eXtreme gradient boosting-machinelearningmodel voor vraagvoorspelling van ziekenhuisgeneesmiddelen

Waarom medicijnvoorziening een slimmer kristallen bol nodig heeft

Wanneer u naar een ziekenhuis gaat, verwacht u dat de juiste medicijnen op het schap staan. Achter de schermen worstelen ziekenhuizen er echter mee in te schatten hoeveel van elk geneesmiddel ze in de komende weken nodig zullen hebben. Te weinig bestellen leidt tot gevaarlijke tekorten voor patiënten; te veel bestellen betekent dat dure medicijnen ongebruikt verlopen. Deze studie introduceert een nieuwe datagedreven voorspellingsaanpak die ziekenhuizen helpt medicijnbehoefte nauwkeuriger te anticiperen door echte uitgiftegegevens van patiënten te combineren met lokaal weer en seizoenspatronen.

Alledaagse problemen achter de apotheekbalie

Ziekenhuizen wereldwijd balanceren op een dun koord tussen tekorten en verspilling. Traditionele voorspellingsmethoden—zoals eenvoudige trendlijnen en voortschrijdende gemiddelden—behandelen vraag alsof deze vloeiend en voorspelbaar verandert. In werkelijkheid schiet het gebruik van geneesmiddelen omhoog of omlaag naarmate ziektes zich verspreiden, seizoenen wisselen en lokale gebeurtenissen plaatsvinden. Griepseizoen, hittegolven of door muggen overgedragen uitbraken kunnen de vraag naar specifieke medicijnen plotseling doen toenemen. Bestaande methoden missen deze wendingen vaak, vooral in kleinere of minder goed uitgeruste ziekenhuizen, wat leidt tot paniekaankopen op het laatste moment of stapels ongebruikte voorraad.

Data, weer en seizoenen laten het verhaal zien

De onderzoekers richtten zich op twee provinciale ziekenhuizen in de provincie Lamphun, Thailand, en verzamelden meer dan 3,4 miljoen registraties van polibezoeken en apotheekuitgiften tussen eind 2023 en midden 2025. Ze koppelden deze gegevens aan een nationale medicijncatalogus zodat elk artikel consistent tussen ziekenhuizen gevolgd kon worden. Tegelijkertijd haalden ze gedetailleerde weerinformatie—temperatuur, neerslag, luchtvochtigheid, wind en zonneschijn—van een open weerservice, samen met kalenderinformatie zoals jaar, maand en weeknummer. Door deze onderdelen te combineren bouwden ze een rijk wekelijks beeld van hoe de vraag naar 588 verschillende medicijnen stijgt en daalt met zowel ziekenhuisactiviteit als omgevingscondities.

Hoe een roedel wolven helpt de juiste aanwijzingen te kiezen

Om deze complexe data om te zetten in betrouwbare voorspellingen ontwierp het team een hybride model dat twee ideeën samenbrengt. Het eerste is een zoekmethode geïnspireerd op het jachtgedrag van grijze wolven. In het model vertegenwoordigt elke “wolf” een mogelijke subset van aanwijzingen—zoals bepaalde weersmetingen of tijdsmarkeringen—die kunnen helpen de vraag te voorspellen. Deze wolven zwerven door de ruimte van mogelijkheden en convergeren geleidelijk naar de meest informatieve combinaties, terwijl ze ruisende of overbodige factoren uitsluiten. Het tweede idee is een krachtig voorspellingsmechanisme dat bekendstaat als gradient boosting, dat veel kleine beslisbomen bouwt en samenvoegt tot een sterk geheel. Door de wolvinspiratie te laten bepalen welke aanwijzingen gebruikt worden en hoe de bomen worden opgebouwd, richt het systeem zijn leerkrachtigheid op de meest relevante signalen.

Het model testen in echte ziekenhuizen

Het nieuwe hybride model werd vergeleken met vijf sterke machine-learningconcurrenten, waaronder random forests, neurale netwerken en andere boostingmethoden, alle met dezelfde schoongemaakte en gestandaardiseerde data. De onderzoekers beoordeelden de prestaties met drie gebruikelijke maatstaven: hoe groot de typische fout was, hoe zwaar grote fouten werden bestraft, en hoeveel van de schommelingen in de echte vraag het model kon verklaren. Over de hele linie kwam de hybride aanpak als beste uit de bus. Het maakte niet alleen de kleinste fouten, maar volgde ook plotselinge pieken en dalen in wekelijkse medicijngebruik nauwer dan de alternatieven, en de resultaten bleven stabiel zelfs wanneer de train–test splitsing werd aangepast.

Wat betere voorspellingen betekenen voor patiënten en planners

Voor niet-specialisten is de kernboodschap eenvoudig: het gebruik van slimmere algoritmen die rekening houden met weer en timing kan ziekenhuisvoorspellingen van medicijnvraag veel betrouwbaarder maken. Hoewel dit proof-of-concept is gebaseerd op slechts twee Thaise ziekenhuizen, toont het aan dat het combineren van reële uitgiftegegevens met lokale omgevingssignalen het giswerk kan verminderen, verspilling kan terugdringen en kan helpen voorkomen dat schappen leeg raken. Met zorgvuldige supervisie en integratie in ziekenhuisinformatiesystemen zouden dergelijke hulpmiddelen inkoopteams kunnen ondersteunen, nationale geneesmiddelplanning kunnen verbeteren en uiteindelijk de kans vergroten dat het juiste medicijn beschikbaar is wanneer een patiënt het nodig heeft.

Bronvermelding: 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

Trefwoorden: voorspelling van medicijnvraag, ziekenhuisapotheek, machine learning, zorgketens, weer en gezondheid