Гибридная модель машинного обучения на основе оптимизированного серым волком eXtreme gradient boosting для прогнозирования спроса в больничной фармации

Почему для поставок лекарств нужен более умный хрустальный шар

Когда вы приходите в больницу, вы рассчитываете, что нужные лекарства будут в наличии. За кулисами же больницы вынуждены угадывать, сколько каждого препарата потребуется в ближайшие недели. Если заказать слишком мало — пациенты сталкиваются с опасными дефицитами; если слишком много — дорогостоящие лекарства могут истечь и остаться невостребованными. В этом исследовании предложен новый основанный на данных подход к прогнозированию, который помогает больницам точнее предсказывать потребности в лекарствах, сочетая реальные записи о выдаче пациентам с локальными погодными и сезонными паттернами.

Повседневные проблемы за прилавком аптеки

Больницы по всему миру балансируют между нехваткой и перерасходом. Традиционные инструменты прогнозирования — такие как простые трендовые линии и скользящие средние — рассматривают спрос как нечто плавно и предсказуемо меняющееся. На деле же потребление лекарств резко колеблется по мере распространения болезней, смены сезонов и локальных событий. Сезон гриппа, волны тепла или вспышки, передающиеся через комаров, могут внезапно повысить спрос на отдельные препараты. Существующие методы часто не улавливают такие повороты, особенно в небольших или малообеспеченных больницах, что приводит к паническим закупкам в последний момент или к накоплению невостребованных запасов.

Дать данным, погоде и сезонам рассказать свою историю

Исследователи сосредоточились на двух провинциальных больницах в провинции Лампхун, Таиланд, собрав более 3,4 миллиона записей о посещениях амбулаторных пациентов и выдаче лекарств в период с конца 2023 по середину 2025 года. Они связали эти записи с национальным каталогом лекарств, чтобы каждый товар можно было последовательно отслеживать между больницами. Параллельно были добавлены подробные погодные данные — температура, осадки, влажность, ветер и солнечное излучение — из открытого погодного сервиса, а также календарные признаки, такие как год, месяц и номер недели. Объединив эти элементы, они построили насыщенную еженедельную картину того, как спрос на 588 разных препаратов растёт и падает в зависимости от активности больницы и условий окружающей среды.

Как стая волков помогает выбрать нужные подсказки

Чтобы превратить эти сложные данные в надёжные прогнозы, команда разработала гибридную модель, сочетающую две идеи. Первая — метод поиска, вдохновлённый охотничьим поведением серых волков. В модели каждая «волчья» единица представляет собой возможный набор признаков — например некоторые погодные показатели или временные маркеры — которые могут помочь предсказать спрос. Эти «волки» исследуют пространство вариантов, постепенно сходясь к наиболее информативным комбинациям и отбрасывая шумные или избыточные факторы. Вторая идея — мощный предсказательный механизм, известный как gradient boosting, который строит множество небольших деревьев решений и объединяет их в сильный общий прогноз. Позволив волкоподобному поиску настроить, какие признаки использовать и как строить деревья, система фокусирует свои возможности обучения там, где это наиболее важно.

Тестирование модели в реальных больницах

Новую гибридную модель сравнили с пятью сильными соперниками в машинном обучении, включая случайные леса, нейронные сети и другие методы бустинга, всем была предоставлена одинаково очищенная и стандартизованная выборка данных. Исследователи оценивали эффективность по трем распространённым метрикам: насколько велик типичный прогнозируемый ошибка, как сильно штрафуются крупные ошибки и какую долю колебаний реального спроса модель может объяснить. Во всех случаях гибридный подход оказался лучшим. Он не только дал наименьшие ошибки, но и точнее отслеживал внезапные пики и провалы в недельном потреблении лекарств по сравнению с альтернативами, а его результаты оставались стабильными даже при изменениях разбиения на обучающую и тестовую выборки.

Что более точные прогнозы значат для пациентов и планировщиков

Для неспециалистов главное послание простое: использование более продвинутых алгоритмов, учитывающих погоду и временные факторы, может сделать прогнозы потребления лекарств в больницах значительно надёжнее. Хотя это доказательство концепции основано всего на двух тайских больницах, оно показывает, что сочетание реальных данных о выдаче с локальными экологическими сигналами может сократить неопределённость, уменьшить потери и помочь избежать пустых полок. При тщательном контроле и интеграции в информационные системы больниц такие инструменты могли бы поддержать закупочные команды, улучшить национальное планирование лекарственных средств и в конечном счёте повысить вероятность того, что нужное лекарство будет доступно, когда пациенту это потребуется.

Цитирование: 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

Ключевые слова: прогнозирование спроса на лекарства, больничная аптека, машинное обучение, цепочки поставок в здравоохранении, погода и здоровье