En hybrid gråvarg-optimerad eXtreme gradient boosting-baserad maskininlärningsmodell för prognoser av läkemedelsbehov i sjukvården

Varför läkemedelsförsörjningen behöver en smartare kristallkula

När du dyker upp på ett sjukhus förväntar du dig att rätt läkemedel finns i hyllan. Bakom kulisserna kämpar dock sjukhus med att gissa hur mycket av varje läkemedel de kommer att behöva de kommande veckorna. Beställer man för lite riskerar patienter farliga bristsituationer; beställer man för mycket går dyra läkemedel ut och blir oanvända. Denna studie presenterar en ny datadriven prognosmetod som hjälper sjukhus att förutse läkemedelsbehov mer exakt genom att förena verkliga utdelningsregister med lokalt väder och säsongsmönster.

Vardagsproblem bakom apotekskassan

Sjukhus världen över balanserar mellan brist och spill. Traditionella prognosverktyg — såsom enkla trendlinjer och glidande medelvärden — behandlar efterfrågan som om den förändras mjukt och förutsägbart. I verkligheten hoppar läkemedelsanvändningen upp och ner när sjukdomar sprids, årstider förändras och lokala händelser inträffar. Influensasäsong, värmeböljor eller myggburna utbrott kan plötsligt driva upp behovet av specifika läkemedel. Befintliga metoder missar ofta dessa svängningar, särskilt på mindre eller resursbegränsade sjukhus, vilket leder till panikartade inköp i sista stund eller högar av oanvänt lager.

Låt data, väder och årstider berätta historien

Forskarlaget fokuserade på två länssjukhus i Lamphun-provinsen, Thailand, och samlade in mer än 3,4 miljoner poster om öppenvårsbesök och läkemedelsutlämning mellan slutet av 2023 och mitten av 2025. De kopplade dessa poster till en nationell läkemedelskatalog så att varje artikel kunde följas konsekvent mellan sjukhusen. Samtidigt hämtade de detaljerad väderinformation — temperatur, nederbörd, luftfuktighet, vind och solsken — från en öppen vädertjänst, tillsammans med kalenderindikatorer såsom år, månad och veckonummer. Genom att kombinera dessa delar byggde de en rik veckobild av hur efterfrågan på 588 olika läkemedel stiger och faller i takt med både sjukhusaktivitet och miljöförhållanden.

Hur en vargflock hjälper till att välja rätt ledtrådar

För att omvandla dessa komplexa data till pålitliga prognoser designade teamet en hybridmodell som förenar två idéer. Den första är en sökmetod inspirerad av gråvargars jaktbeteende. I modellen representerar varje “varg” en möjlig delmängd av ledtrådar — såsom vissa vädermått eller tidsmarkörer — som kan hjälpa till att förutsäga efterfrågan. Dessa vargar rör sig genom möjligheternas rum och konvergerar gradvis mot de mest informativa kombinationerna samtidigt som de förkastar brusiga eller redundanta faktorer. Den andra idén är en kraftfull prediktionsmotor känd som gradient boosting, som bygger många små beslutsregler (träddelar) och kombinerar dem till en stark helhetsprognos. Genom att låta den varginspirerade sökningen finjustera vilka ledtrådar som används och hur träden byggs, fokuserar systemet sin inlärningskraft där den gör mest nytta.

Att testa modellen i verkliga sjukhus

Den nya hybridmodellen ställdes mot fem starka maskininlärningskonkurrenter, inklusive random forests, neurala nätverk och andra boostingmetoder, alla matade med samma rensade och standardiserade data. Forskarna bedömde prestanda med tre vanliga mått: hur stor den typiska felet var, hur hårt stora misstag straffades och hur stor andel av upp- och nedgångarna i verklig efterfrågan modellen kunde förklara. Över hela linjen kom hybridmetoden ut som vinnare. Den gjorde inte bara de minsta felen utan följde också plötsliga toppar och dalar i veckovis läkemedelsanvändning närmare än alternativen, och dess resultat höll sig stabila även när man ändrade hur data delades i tränings- och testuppsättningar.

Vad bättre prognoser innebär för patienter och planerare

För icke-specialister är kärnbudskapet enkelt: att använda smartare algoritmer som tar hänsyn till väder och tidsfaktorer kan göra sjukhusens läkemedelsprognoser betydligt mer tillförlitliga. Även om detta konceptbevis bygger på endast två thailändska sjukhus visar det att en blandning av verkliga utdelningsdata med lokala miljösignaler kan minska gissningar, skära ner på spill och hjälpa till att förhindra att hyllor står tomma. Med noggrann övervakning och integration i sjukhusens informationssystem skulle sådana verktyg kunna stödja inköpsteam, förbättra nationell läkemedelsplanering och i slutändan öka chansen att rätt läkemedel finns tillgängligt när en patient behöver det.

Citering: 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

Nyckelord: prognoser för läkemedelsbehov, sjukhusapotek, maskininlärning, hälso- och sjukvårdskedjor, väder och hälsa