Genomförbarhet för kortsiktig prognostisering av sjukhusbehov av munskydd med hjälp av ett bakåtpropagerande neuralt nätverk vid data‑brist

Varför planering av munskydd är viktigt i en kris

När en ny smittsam sjukdom uppstår kan sjukhus få brist på enkla men livsviktiga förnödenheter som medicinska munskydd. Att beställa för få maskar lämnar läkare och sjuksköterskor utan skydd, medan att beställa för många binder kapital och förvaringsutrymme. Denna artikel undersöker om en liten, data‑hungrig datorbaserad modell ändå kan hjälpa sjukhus att göra bättre kortsiktiga uppskattningar av morgondagens maskbehov när endast några få dagars historik finns tillgänglig.

Att följa sjukhusets maskanvändning dag för dag

Forskarna studerade maskanvändning på ett stort sjukhus i Kina under endast 24 dagar under en epidemiperiod. Varje datapunkt var det totala antalet maskar som användes av hela sjukhuset den dagen, utan någon information om enskilda patienter. Denna mycket korta tidsserie speglar de tidiga dagarna av ett nytt utbrott, när chefer måste agera snabbt men har liten historik som vägledning. Efterfrågan under dessa dagar steg och föll kraftigt, vilket återspeglar förändringar i patientbelastning, personalbeteende och kontrollåtgärder, vilket gör enkla linjära prognoser opålitliga.

Att omvandla kort historik till ett inlärningsproblem

För att omvandla dessa 24 dagliga räkningar till något en dator kunde lära sig av använde teamet en glidande fönster‑metod. De grupperade varje fyra på varandra följande dagars maskanvändning som ”input” och bad modellen att förutsäga maskanvändningen på den femte dagen som ”output”. Genom att flytta detta fönster längs tidslinjen skapades 20 sådana exempel. De tidigaste 17 dagarna användes för att träna modellerna, och de sista tre dagarna hölls ut för att testa hur väl modellerna kunde förutsäga verkligt osedd framtida efterfrågan, vilket efterliknar hur ett sjukhus skulle använda ett sådant verktyg i realtid.

Ett enkelt neuralt nätverk mot välkända metoder

Huvudverktyget som testades var ett grunt bakåtpropagerande neuralt nätverk, en blygsam samling kopplade noder som kan fånga krökningar och vridningar i datamönster. Nätverket hade ett dolt lager och använde vanliga träningstekniker som att skala alla värden till samma intervall och att stoppa träningen i förtid när prestandan på en liten valideringsuppsättning inte förbättrades. Dess uppgift var att lära sambandet mellan maskanvändning under de senaste fyra dagarna och nästa dag. Studien jämförde detta nätverk med tre standardalternativ: en naiv metod som helt enkelt upprepar gårdagens värde, en klassisk ARIMA‑tidsseriemodell och en LSTM‑djupinlärningsmodell.

Hur väl modellerna följde verklig maskanvändning

Trots den lilla datamängden konvergerade det grunda neurala nätverket snabbt och levererade stabila prognoser. När resultaten omvandlades tillbaka till verkliga maskantal var dess genomsnittliga fel omkring 415 maskar per dag, och dess root‑mean‑square‑fel omkring 519 maskar. I detta experiment slog det både ARIMA‑ och LSTM‑modellerna, och förbättrade tydligt den naiva ”imorgon = idag”‑gissningen, särskilt vid plötsliga fall och hopp i efterfrågan. Jämförelser mellan förutsagda och faktiska värden visade stark överensstämmelse för tränings‑ och valideringsdata, och acceptabel, om än svagare, överensstämmelse för testdagarna, vilket tyder på att modellen kunde följa kortsiktiga trender men fortfarande hade svårt med de mest abrupta skiftena.

Försiktighet och nästa steg för verkliga sjukhus

Författarna betonar att deras modell är ett bevis på genomförbarhet snarare än ett färdigt verktyg för drift. Med endast 24 dagar av data från ett sjukhus finns en verklig risk att nätverket delvis lärt sig särdrag i denna korta serie snarare än generella regler, och vissa tecken på överanpassning fanns. Ändå visar arbetet att ett enkelt neuralt nätverk kan ge mer användbar kortsiktig vägledning än flera vanliga alternativ när data är knappa. För sjukhusplanerare antyder detta att lätta modeller kan fungera som snabba, tillfälliga hjälpmedel för att hantera masklager under de tidiga skedena av ett utbrott, att ersättas eller förfinas när längre och rikare dataset från flera sjukhus blir tillgängliga.

Citering: 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

Nyckelord: sjukhusförnödenheter, efterfrågan på munskydd, neuronätverk, epidemiplanering, tidsserieprognoser