Оценка возможности краткосрочного прогноза потребности больницы в масках с использованием нейронной сети обратного распространения при нехватке данных

Почему планирование масок важно в кризис

Когда возникает новое инфекционное заболевание, больницы могут столкнуться с нехваткой простых, но жизненно важных средств защиты, таких как медицинские маски. Заказав слишком мало масок, врачи и медсестры остаются неподзащищёнными; заказав слишком много — деньги и место на хранение расходуются напрасно. В статье рассматривается, может ли небольшая, требовательная к данным компьютерная модель всё же помочь больницам делать более точные краткосрочные прогнозы потребности на завтра, когда доступна лишь короткая история прошлых данных.

Наблюдение за использованием масок в больнице день за днём

Исследователи изучали использование масок в крупной больнице в Китае всего за 24 дня в период эпидемии. Каждая точка данных отражала общее число использованных масок по всей больнице в этот день, без сведений об отдельных пациентах. Такая очень короткая запись соответствует ранним дням новой вспышки, когда руководителям приходится действовать быстро, имея мало исторических данных. Спрос в эти дни резко рос и падал, отражая изменение нагрузки пациентов, поведение персонала и меры контроля, что делает простые линейные прогнозы ненадёжными.

Преобразование короткой истории в задачу обучения

Чтобы превратить эти 24 ежедневных значения в данные для обучения компьютера, команда применила метод скользящего окна. Они группировали каждые четыре подряд идущих дня использования масок как «вход» и просили модель предсказать использование масок на пятый день как «выход». Сдвиг такого окна вдоль временной оси дал 20 примеров. Первые 17 дней использовали для обучения моделей, а последние три дня отложили для тестирования, чтобы проверить, насколько хорошо модели предсказывают по-настоящему невидимый будущий спрос — имитируя, как больница использовала бы такой инструмент в реальном времени.

Простая нейронная сеть против знакомых методов

Основным инструментом была неглубокая нейронная сеть с обратным распространением ошибки — скромный набор связанных узлов, способный уловить изгибы и нюансы в паттернах данных. Сеть имела один скрытый слой и использовала обычные приёмы обучения, такие как масштабирование всех значений в один диапазон и ранняя остановка обучения, когда производительность на небольшой валидационной выборке переставала улучшаться. Её задачей было научиться связи между использованием масок за последние четыре дня и показателем на следующий день. В исследовании эту сеть сравнивали с тремя стандартными альтернативами: наивным методом, который просто повторяет вчерашнее значение, классической моделью временных рядов ARIMA и глубокой моделью LSTM (долговременная краткосрочная память).

Насколько хорошо модели отслеживали реальное использование масок

Несмотря на крошевой набор данных, неглубокая нейронная сеть быстро сходилась и давала стабильные прогнозы. После обратного преобразования в реальные числовые значения средняя ошибка составила примерно 415 масок в день, а среднеквадратичная ошибка — около 519 масок. В этом эксперименте она превзошла как ARIMA, так и LSTM, и заметно улучшила наивный прогноз «завтра = сегодня», особенно при резких падениях и всплесках спроса. Сравнения предсказанных и фактических значений показывали хорошее согласие на обучающей и валидационной выборках и приемлемое, хотя и более слабое, согласие на тестовых днях, что указывает на то, что модель способна отслеживать краткосрочные тренды, но всё ещё испытывает трудности с самыми резкими сдвигами.

Осторожность и дальнейшие шаги для реальных больниц

Авторы подчёркивают, что их модель является демонстрацией осуществимости, а не инструментом, готовым к развертыванию. Имея всего 24 дня данных из одной больницы, существует реальный риск того, что сеть частично выучила особенности именно этой короткой серии, а не общие закономерности; признаков переобучения было несколько. Тем не менее работа показывает, что простая нейронная сеть может дать более полезные краткосрочные ориентиры, чем несколько распространённых альтернатив, когда данных мало. Для планировщиков больниц это означает, что лёгкие модели могут служить быстрыми временными помощниками при управлении запасами масок на ранних этапах вспышки, а затем заменяться или уточняться по мере появления более длинных и богатых наборов данных из нескольких учреждений.

Цитирование: 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

Ключевые слова: запасы больницы, потребность в масках, нейронная сеть, планирование при эпидемии, прогнозирование временных рядов