Możliwość prognozowania krótkoterminowego popytu szpitalnego na maski przy użyciu sieci neuronowej z wsteczną propagacją przy niedoborze danych

Dlaczego planowanie masek ma znaczenie w kryzysie

Gdy pojawia się nowe zakaźne schorzenie, szpitale mogą szybko brakować prostych, lecz niezbędnych środków, takich jak maski medyczne. Zamówienie zbyt małej liczby masek pozostawia lekarzy i pielęgniarki bez ochrony, natomiast zamówienie zbyt wielu wiąże środki i miejsca magazynowe. W artykule zastanowiono się, czy mały, niewymagający dużo danych model komputerowy nadal może pomóc szpitalom lepiej oszacować krótkoterminowy popyt na maski na następny dzień, gdy dostępne są tylko nieliczne dni historycznych danych.

Obserwowanie dziennego zużycia masek w szpitalu

Naukowcy przeanalizowali zużycie masek w dużym szpitalu w Chinach przez zaledwie 24 dni w okresie epidemii. Każdy punkt danych to łączna liczba masek zużytych w całym szpitalu danego dnia, bez informacji o pojedynczych pacjentach. Taka bardzo krótka seria odzwierciedla wczesne dni nowego ogniska, gdy kierownictwo musi działać szybko, mając niewiele danych do wykorzystania. Popyt w tym okresie gwałtownie rósł i spadał, odzwierciedlając zmiany w obłożeniu pacjentów, zachowania personelu i stosowane środki kontrolne, co sprawia, że proste prognozy liniowe są zawodniejsze.

Przekształcenie krótkiej historii w problem uczenia

Aby przekształcić te 24 dzienne wartości w dane, z których komputer mógłby się uczyć, zespół zastosował podejście z przesuwającym się oknem. Grupowali cztery kolejne dni zużycia masek jako „wejście” i prosili model o przewidzenie zużycia masek piątego dnia jako „wyjścia”. Przesuwając to okno wzdłuż osi czasu uzyskano 20 takich przykładów. Najwcześniejsze 17 dni wykorzystano do trenowania modeli, a ostatnie trzy dni odłożono, by przetestować, jak dobrze modele potrafią przewidzieć rzeczywisty, nieznany wcześniej popyt — symulując sposób, w jaki szpital mógłby używać takiego narzędzia w czasie rzeczywistym.

Prosta sieć neuronowa kontra znane metody

Głównym testowanym narzędziem była płytka sieć neuronowa z wsteczną propagacją, skromna sieć połączonych węzłów potrafiąca wychwycić załamania i zakręty w wzorcach danych. Sieć miała jedną warstwę ukrytą i stosowała powszechne zabiegi treningowe, takie jak skalowanie wszystkich wartości do tego samego zakresu oraz wczesne zatrzymywanie treningu, gdy wydajność na niewielkim zbiorze walidacyjnym przestawała się poprawiać. Jej zadaniem było nauczyć się związku między zużyciem masek w ostatnich czterech dniach a dniem następnym. Badanie porównało tę sieć z trzema standardowymi alternatywami: metodą naiwną, która po prostu powtarza wartość z wczoraj, klasycznym modelem ARIMA dla szeregów czasowych oraz modelem głębokiego uczenia LSTM (long short-term memory).

Jak dobrze modele odwzorowywały rzeczywiste zużycie masek

Pomimo maleńkiego zbioru danych, płytka sieć neuronowa szybko zbiegała i dawała stabilne prognozy. Po przeliczeniu na rzeczywiste liczby masek jej średni błąd wynosił około 415 masek na dzień, a błąd średniokwadratowy (RMSE) około 519 masek. W tym eksperymencie przewyższyło to zarówno modele ARIMA, jak i LSTM, i wyraźnie poprawiło wynik w porównaniu z naiwnym założeniem „jutro = dziś”, szczególnie przy nagłych spadkach i skokach popytu. Porównania przewidywanych i rzeczywistych wartości wykazały silną zgodność na danych treningowych i walidacyjnych oraz akceptowalną, choć słabszą zgodność na dniach testowych, sugerując, że model potrafił śledzić krótkoterminowe trendy, ale wciąż miał trudności z najbardziej gwałtownymi zmianami.

Ostrożność i kolejne kroki dla rzeczywistych szpitali

Autorzy podkreślają, że ich model jest dowodem wykonalności, a nie gotowym narzędziem do wdrożenia. Mając jedynie 24 dni danych z jednego szpitala, istnieje realne ryzyko, że sieć częściowo nauczyła się osobliwości tej krótkiej serii zamiast ogólnych reguł, a pewne oznaki przeuczenia były widoczne. Mimo to praca pokazuje, że prosta sieć neuronowa może dostarczyć użyteczniejszych krótkoterminowych wskazówek niż kilka powszechnych alternatyw, gdy danych jest mało. Dla planistów szpitalnych sugeruje to, że lekkie modele mogą służyć jako szybkie, doraźne wsparcie przy zarządzaniu zapasami masek w początkowych fazach ogniska, do zastąpienia lub dopracowania w miarę pojawiania się dłuższych i bogatszych zestawów danych z wielu placówek.

Cytowanie: 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

Słowa kluczowe: zaopatrzenie szpitalne, popyt na maski, sieć neuronowa, planowanie podczas epidemii, prognozowanie szeregów czasowych