Улучшенное графом знаний глубокое обучение для прогнозирования спроса на лекарства

Почему более точные прогнозы лекарств важны

Больницы, аптеки и пациенты зависят от того, чтобы нужные препараты были доступны в нужное время. Заказать слишком мало — значит рисковать отсутствием жизненно необходимых лекарств в момент острой потребности. Заказать слишком много — значит получить полки, заполненные товарами с истекающим сроком годности и бесполезными расходами. Проблема в том, что спрос на лекарства колеблется из‑за сезонов гриппа, новых вспышек, изменения рекомендаций и того, как врачи заменяют или комбинируют препараты. В этой статье предложен новый метод прогнозирования спроса на лекарства, который использует как современные методы искусственного интеллекта, так и структурированные медицинные знания, делая цепочки поставок в здравоохранении более надежными и эффективными.

Ограничения существующих инструментов прогнозирования

Многие больницы и поставщики по‑прежнему полагаются на традиционные статистические модели, которые предполагают, что спрос следует относительно плавным, предсказуемым трендам. Эти методы рассматривают каждый препарат как некий изолированный объект, игнорируя, как одно средство может заменять или дополнять другое. Более современные методы машинного и глубокого обучения, такие как нейронные сети, лучше справляются с колебаниями во временных рядах, но обычно тоже опираются лишь на прошлые данные о продажах. В результате они часто упускают важную часть картины: как врачи фактически выбирают между разными препаратами при лечении одинаковых заболеваний, особенно когда существуют заменители или распространенные комбинации.

Добавление карты взаимосвязей между препаратами

Авторы решают эту проблему, построив «граф знаний» для фармацевтики — своего рода карту, связывающую препараты, симптомы и болезни. В этом графе каждая вершина представляет препарат или симптом, а каждое ребро отражает реальное отношение, например когда один антибиотик может заменить другой или когда витамин часто назначают вместе с лекарством от простуды. Связав прогноз со структурированной картой, модель может учитывать, что если спрос на один препарат растет или падает, то спрос на его близкие заменители или типичных партнёров тоже может измениться. Это превращает разрозненные записи о продажах в связную картину взаимодействий терапий на практике.

Как работает гибридная модель ИИ

Чтобы превратить эту карту и историю продаж в прогнозы, исследование предлагает гибридную модель под названием KG‑GCN‑LSTM. Сначала с помощью сверточной графовой сети (GCN) информация течет по связям графа знаний, так что представление каждого препарата отражает не только его собственную историю, но и поведение связанных с ним препаратов. Специальный этап «обрезки» затем фокусирует модель обратно на целевом препарате, уменьшая шум от менее релевантных соседей. Далее сеть долгой кратковременной памяти (LSTM) — тип рекуррентной нейронной сети, заточенной под последовательности — обрабатывает обогащенные еженедельные данные о спросе, выявляя временные паттерны: сезонность, постепенный рост и резкие всплески. Наконец, простой выходной слой превращает выученные закономерности в предсказания будущего спроса.

Полевые испытания в загруженной аптеке

Исследователи протестировали свой подход на более чем полумиллионе записей о продажах из индонезийской аптеки, охватив более 200 продуктов. Они очистили и агрегировали данные до недельного спроса, отфильтровали позиции с очень короткой историей и сконструировали граф знаний, используя международные классификации лекарств и известные взаимодействия между препаратами. Новую модель сравнили с широким набором устоявшихся методов — от классических ARIMA и регрессии опорных векторов до современных глубоких систем вроде CNN‑LSTM, N‑BEATS и TimeMixer. По нескольким стандартным метрикам ошибки модель с поддержкой знаний показала наилучшие прогнозы в целом, сократив относительную ошибку примерно на 3,6 процентного пункта по сравнению с мощным глубоким базовым решением и сопоставив результат с последним подходом TimeMixer, при этом будучи более интерпретируемой и лучше подходя для препаратов с ограниченной историей.

Что это значит для пациентов и поставщиков

Для неспециалистов основной вывод прост: когда инструменты прогнозирования понимают не только «сколько каждого препарата было продано», но и «как препараты соотносятся друг с другом в реальной медицинской практике», они лучше предсказывают будущие потребности. Модель KG‑GCN‑LSTM демонстрирует, что внедрение предметных знаний в ИИ может снизить дефицит и избыток запасов, помогая аптекам держать на полке жизненно важные лекарства, не замораживая лишние средства. Хотя создание и поддержание высококачественных графов знаний по‑прежнему требует усилий, это исследование указывает на будущее, в котором более умные, осведомленные о предметной области алгоритмы тихо поддерживают более устойчивые и экономичные цепочки поставок в здравоохранении.

Цитирование: 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

Ключевые слова: прогнозирование спроса на лекарства, цепочка поставок здравоохранения, граф знаний, графовые нейронные сети, прогнозирование временных рядов