Hybrydowy model uczenia maszynowego oparty na szarym wilku i eXtreme gradient boosting do prognozowania zapotrzebowania leków w szpitalu

Dlaczego zaopatrzenie w leki potrzebuje mądrzejszej kuli kryształowej

Kiedy trafiasz do szpitala, oczekujesz, że właściwe leki będą dostępne. Za kulisami jednak szpitale mają trudności z oszacowaniem, ile każdego leku będą potrzebować w nadchodzących tygodniach. Zamówienie zbyt małej ilości grozi niebezpiecznymi brakami, zamówienie zbyt dużej — drogimi lekami tracącymi ważność. W tym badaniu przedstawiono nowe podejście oparte na danych, które pomaga szpitalom dokładniej przewidywać zapotrzebowanie, łącząc rzeczywiste zapisy wydawania leków pacjentom z lokalną pogodą i sezonowymi wzorcami.

Codzienne problemy za ladą apteki

Szpitale na całym świecie balansują między brakami a marnotrawstwem. Tradycyjne narzędzia prognostyczne — takie jak proste linie trendu czy średnie kroczące — traktują popyt jak coś, co zmienia się płynnie i przewidywalnie. W rzeczywistości zużycie leków skacze w górę i w dół w miarę rozprzestrzeniania się chorób, zmian pór roku czy lokalnych wydarzeń. Sezon grypowy, fale upałów czy ogniska chorób przenoszonych przez komary mogą nagle zwiększyć zapotrzebowanie na konkretne leki. Istniejące metody często nie wychwytują tych zwrotów, zwłaszcza w mniejszych lub słabiej wyposażonych szpitalach, co prowadzi do panicznych zakupów w ostatniej chwili lub stosów niewykorzystanych zapasów.

Pozwól, by dane, pogoda i pory roku opowiedziały historię

Naukowcy skupili się na dwóch szpitalach wojewódzkich w prowincji Lamphun w Tajlandii, zbierając ponad 3,4 miliona zapisów wizyt ambulatoryjnych i wydawania leków między końcem 2023 a połową 2025 roku. Powiązali te zapisy z krajowym katalogiem leków, dzięki czemu każdy produkt mógł być śledzony spójnie między szpitalami. Równocześnie pobrali szczegółowe dane pogodowe — temperaturę, opady, wilgotność, wiatr i nasłonecznienie — z otwartej usługi pogodowej, wraz ze wskazówkami kalendarzowymi, takimi jak rok, miesiąc i numer tygodnia. Łącząc te elementy, zbudowali bogity, cotygodniowy obraz tego, jak zapotrzebowanie na 588 różnych leków wzrasta i maleje w związku z aktywnością szpitala i warunkami środowiskowymi.

Jak wataha wilków pomaga wybrać właściwe wskazówki

Aby przekształcić te złożone dane w wiarygodne prognozy, zespół zaprojektował model hybrydowy łączący dwie koncepcje. Pierwsza to metoda poszukiwania inspirowana zachowaniem łowieckim szarych wilków. W modelu każdy „wilk” reprezentuje możliwy podzbiór wskazówek — na przykład wybrane miary pogodowe lub znaczniki czasu — które mogą pomagać przewidzieć zapotrzebowanie. Wilki przemierzają przestrzeń możliwości, stopniowo zbliżając się do najbardziej informatywnych kombinacji i odrzucając czynniki szumowe lub zbyteczne. Druga koncepcja to potężny silnik predykcyjny znany jako gradient boosting, który buduje wiele małych drzew decyzyjnych i łączy je w silną, całościową prognozę. Pozwalając wyszukiwaniu inspirowanemu wilkami dobierać, które wskazówki wykorzystać i jak budować drzewa, system koncentruje moc uczenia tam, gdzie ma to największe znaczenie.

Testowanie modelu w rzeczywistych szpitalach

Nowy model hybrydowy porównano z pięcioma mocnymi konkurentami z zakresu uczenia maszynowego, w tym lasami losowymi, sieciami neuronowymi i innymi metodami boostingowymi, przy użyciu tych samych oczyszczonych i znormalizowanych danych. Naukowcy oceniali wydajność za pomocą trzech powszechnych miar: jak duży był typowy błąd, jak mocno karane były duże pomyłki oraz jak dużą część wahnięć rzeczywistego popytu model potrafił wyjaśnić. We wszystkich przypadkach podejście hybrydowe okazało się najlepsze. Nie tylko dawało najmniejsze błędy, lecz także lepiej śledziło nagłe skoki i spadki w tygodniowym zużyciu leków niż metody alternatywne, a jego wyniki pozostawały stabilne nawet przy zmianie podziału danych na zbiór treningowy i testowy.

Co lepsze prognozy oznaczają dla pacjentów i planistów

Dla osób spoza specjalizacji główne przesłanie jest proste: wykorzystanie inteligentniejszych algorytmów uwzględniających pogodę i czas może sprawić, że prognozy leków w szpitalach będą znacznie bardziej niezawodne. Chociaż dowód koncepcji opiera się na zaledwie dwóch tajlandzkich szpitalach, pokazuje on, że łączenie rzeczywistych danych o wydawaniu leków z lokalnymi sygnałami środowiskowymi może zmniejszyć niepewność, ograniczyć marnotrawstwo i pomóc zapobiegać pustym półkom. Przy starannej kontroli i integracji z systemami informacyjnymi szpitali takie narzędzia mogą wspierać zespoły zakupowe, usprawniać krajowe planowanie leków i ostatecznie zwiększać prawdopodobieństwo, że właściwy lek będzie dostępny, gdy pacjent go potrzebuje.

Cytowanie: 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

Słowa kluczowe: prognozowanie zapotrzebowania na leki, apteka szpitalna, uczenie maszynowe, łańcuchy dostaw w opiece zdrowotnej, pogoda i zdrowie