Uczenie głębokie wspomagane grafem wiedzy do prognozowania zapotrzebowania na leki

Dlaczego lepsze prognozy leków mają znaczenie

Szpitale, apteki i pacjenci polegają na dostępności odpowiednich leków w odpowiednim czasie. Zamówić za mało — i ratujące życie leki mogą być niedostępne w nagłych wypadkach. Zamówić za dużo — a półki zapełnią się produktami, które stracą ważność i wygenerują straty. Problem w tym, że zapotrzebowanie na leki zmienia się wraz z sezonami grypowymi, nowymi ogniskami chorób, zmieniającymi się wytycznymi oraz sposobem, w jaki lekarze zamieniają lub łączą preparaty. W artykule przedstawiono nowy sposób prognozowania zapotrzebowania na leki, który łączy zaawansowaną sztuczną inteligencję ze strukturalną wiedzą medyczną, aby uczynić łańcuchy dostaw w ochronie zdrowia bardziej niezawodnymi i wydajnymi.

Ograniczenia dzisiejszych narzędzi prognostycznych

Wiele szpitali i dostawców nadal opiera się na tradycyjnych modelach statystycznych, które zakładają, że popyt podąża względnie płynnymi, przewidywalnymi trendami. Metody te traktują każdy lek tak, jakby istniał w izolacji, ignorując, jak jeden preparat może zastępować lub uzupełniać inny. Nowsze modele uczenia maszynowego i głębokiego uczenia, takie jak sieci neuronowe, lepiej radzą sobie z wahaniami w danych szeregów czasowych, ale one również zwykle koncentrują się jedynie na przeszłych danych sprzedażowych. W efekcie często nie uwzględniają istotnego fragmentu obrazu: w jaki sposób lekarze wybierają między różnymi lekami przy leczeniu tej samej choroby, zwłaszcza gdy istnieją substytuty lub typowe kombinacje.

Dodanie mapy zależności między lekami

Aby rozwiązać ten problem, autorzy zbudowali „graf wiedzy” dla farmaceutyków — rodzaj mapy łączącej leki, objawy i choroby. W tym grafie każdy węzeł reprezentuje lek lub objaw, a każde połączenie oznacza rzeczywistą relację, na przykład jeden antybiotyk zastępujący inny albo witaminę często przepisywaną razem z lekiem na przeziębienie. Dzięki osadzeniu prognozy w tej ustrukturyzowanej mapie model może dostrzec, że jeśli popyt na jeden lek rośnie lub spada, popyt na jego bliskie substytuty lub typowych partnerów może zmienić się podobnie. To przekształca rozproszone zapisy sprzedaży w połączony obraz wzajemnych interakcji terapii w praktyce.

Jak działa hybrydowy model AI

Aby zamienić tę mapę i historię sprzedaży w prognozy, badanie proponuje hybrydowy model nazwany KG‑GCN‑LSTM. Najpierw sieć konwolucyjna dla grafów (GCN) przepływa informację wzdłuż krawędzi grafu wiedzy, tak że reprezentacja każdego leku odzwierciedla nie tylko jego własną historię, lecz także zachowanie powiązanych preparatów. Specjalny krok „przycinania” koncentruje model z powrotem na leku docelowym, redukując szumy pochodzące od mniej istotnych sąsiadów. Następnie sieć typu long short‑term memory (LSTM) — rodzaj rekurencyjnej sieci neuronowej zaprojektowany do sekwencji — przetwarza wzbogacone tygodniowe dane o popycie, ucząc się wzorców w czasie, takich jak sezonowość, stopniowy wzrost czy nagłe skoki. Na koniec prosta warstwa wyjściowa przekształca te wyuczone wzorce w prognozy przyszłego zapotrzebowania.

Testy w realnej, zatłoczonej aptece

Badacze sprawdzili swoje podejście na ponad pół miliona rekordów sprzedaży z indonezyjskiej apteki, obejmujących ponad 200 produktów. Oczyszczono i zagregowano dane do tygodniowych wartości popytu, odfiltrowano pozycje o bardzo krótkiej historii oraz skonstruowano graf wiedzy, wykorzystując międzynarodowe klasyfikacje leków i znane interakcje lek–lek. Nowy model porównano z szerokim zestawem ustalonych technik, od klasycznych ARIMA i regresji wektorów wspierających po nowoczesne systemy głębokiego uczenia, takie jak CNN‑LSTM, N‑BEATS i TimeMixer. W kilku standardowych miarach błędu model wzbogacony wiedzą dostarczył najdokładniejsze prognozy, zmniejszając względny błąd o około 3,6 punktu procentowego w porównaniu z silną metodą głębokiego uczenia i dorównując wynikowi najnowszego podejścia TimeMixer, przy jednoczesnej lepszej interpretowalności i większej przydatności dla leków o ograniczonej historii.

Co to oznacza dla pacjentów i dostawców

Dla osób niebędących specjalistami główne przesłanie jest proste: gdy narzędzia prognostyczne rozumieją nie tylko „ile każdego leku sprzedano”, lecz także „jak leki odnoszą się do siebie w rzeczywistej praktyce medycznej”, potrafią lepiej przewidzieć przyszłe potrzeby. Model KG‑GCN‑LSTM pokazuje, że wplatanie wiedzy domenowej w AI może zmniejszyć braki i nadmiar zapasów, pomagając aptekom utrzymywać niezbędne leki dostępne, bez zamrażania niepotrzebnych środków. Chociaż budowa i utrzymanie wysokiej jakości grafów wiedzy nadal wymaga pracy, badanie wskazuje na przyszłość, w której inteligentniejsze, świadome wiedzy algorytmy dyskretnie wspierają bardziej odporne i opłacalne łańcuchy dostaw w ochronie zdrowia.

Cytowanie: 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

Słowa kluczowe: prognozowanie zapotrzebowania na leki, łańcuch dostaw opieki zdrowotnej, graf wiedzy, grafowe sieci neuronowe, prognozowanie szeregów czasowych