İlaç talep tahmini için bilgi grafiği destekli derin öğrenme

Daha akıllı ilaç tahminlerinin önemi

Hastaneler, eczaneler ve hastalar, doğru ilaçların doğru zamanda bulunmasına dayanır. Çok az sipariş edilirse hayati önem taşıyan ilaçlar acil ihtiyaç anında stokta olmayabilir. Çok fazla sipariş edilirse raflar son kullanma tarihi geçen ve para kaybettiren ürünlerle dolar. Sorun, ilaç talebinin grip sezonları, yeni salgınlar, değişen kılavuzlar ve doktorların ilaçları değiştirme ya da birleştirme biçimlerine göre dalgalanmasıdır. Bu makale, sağlık hizmetleri tedarik zincirlerini daha güvenilir ve etkin hale getirmek için hem gelişmiş yapay zekâyı hem de yapılandırılmış tıbbi bilgiyi kullanan yeni bir ilaç talebi tahmin yöntemi sunar.

Günümüz tahmin araçlarının sınırları

Birçok hastane ve tedarikçi hâlâ talebin nispeten düzgün, öngörülebilir eğilimler izlediğini varsayan geleneksel istatistiksel modellere güvenir. Bu yöntemler her ilacı kendi dünyasında yaşıyormuş gibi ele alır ve bir ilacın başka bir ilacın yerini alması veya onu tamamlaması gibi etkileşimleri görmezden gelir. Sinir ağları gibi daha yeni makine öğrenmesi ve derin öğrenme modelleri zaman serisi verilerindeki iniş çıkışları daha iyi işler, ancak onlar da genellikle sadece geçmiş satış sayılarına odaklanır. Sonuç olarak, genellikle hikâyenin önemli bir bölümünü kaçırırlar: doktorların aynı hastalığı tedavi ederken farklı ilaçlar arasında nasıl seçim yaptıkları—özellikle ikame ilaçlar veya sık kullanılan kombinasyonlar söz konusu olduğunda.

İlaçların nasıl ilişkilendiğine dair bir harita eklemek

Yazarlar bu sorunu ilaçlar, semptomlar ve hastalıkları birbirine bağlayan bir tür harita olan "ilaç bilgi grafiği" oluşturarak ele alır. Bu grafikte her düğüm bir ilacı veya semptomu temsil eder ve her bağlantı gerçek dünya ilişkisini gösterir; örneğin bir antibiyotiğin başka bir antibiyotikle ikame edilmesi ya da bir soğuk ilacı ile sık reçete edilen bir vitaminin birlikte kullanılması gibi. Tahmini bu yapılandırılmış harita üzerine kurarak, model bir ilaca olan talep artarsa veya azalırsa onun yakın ikamelerinin veya tipik eşlikçilerinin talebinin de değişebileceğini görür. Bu, dağınık satış kayıtlarını tedavilerin pratikte nasıl etkileştiğine dair bağlantılı bir resme dönüştürür.

Hibrit yapay zekâ modeli nasıl çalışıyor

Bu haritayı ve satış geçmişini tahminlere dönüştürmek için çalışma KG‑GCN‑LSTM adında bir hibrit model önerir. Öncelikle bir grafik evrişimsel ağı (GCN), bilgi grafiğinin bağlantıları boyunca bilgi akışı sağlayarak her ilacın temsilinin yalnızca kendi geçmişini değil aynı zamanda ilişkili ilaçların davranışını da yansıtmasını sağlar. Özel bir "kesme" adımı daha sonra modeli hedef ilaca odaklayarak daha az ilgili komşulardan gelen gürültüyü azaltır. Ardından, dizi verileri için tasarlanmış tekrarlayan bir sinir ağı türü olan uzun kısa süreli bellek ağı (LSTM), zenginleştirilmiş haftalık talep verilerini işleyerek mevsimsellik, kademeli büyüme ve ani sıçramalar gibi zaman içindeki örüntüleri öğrenir. Son olarak, basit bir çıkış katmanı bu öğrenilen örüntüleri gelecekteki talep tahminlerine dönüştürür.

Yoğun bir eczanede gerçek dünya testleri

Araştırmacılar yaklaşımını Endonezya’daki bir eczaneden yarım milyondan fazla satış kaydı üzerinde, 200’den fazla ürünü kapsayacak şekilde test etti. Verileri haftalık talebe temizlediler ve topladılar, çok kısa geçmişe sahip ürünleri filtrelediler ve bilgi grafiğini uluslararası ilaç sınıflandırmaları ile bilinen ilaç‑ilaç etkileşimlerini kullanarak oluşturdular. Yeni model daha sonra klasik ARIMA ve destek vektör regresyonundan CNN‑LSTM, N‑BEATS ve TimeMixer gibi modern derin öğrenme sistemlerine kadar geniş bir yelpazedeki yerleşik tekniklerle karşılaştırıldı. Birkaç standart hata ölçütü üzerinden bilgiyle zenginleştirilmiş model genel olarak en doğru tahminleri sundu; güçlü bir derin öğrenme taban çizgisine kıyasla göreli hatayı yaklaşık 3.6 yüzde puanı azalttı ve en son TimeMixer yaklaşımının performansına eşit düzeyde sonuç verirken daha yorumlanabilir ve geçmişi sınırlı olan ilaçlar için daha uygun olduğunu gösterdi.

Hastalar ve sağlayıcılar için ne anlama geliyor

Uzman olmayanlar için temel mesaj nettir: tahmin araçları sadece "her ilacın ne kadar satıldığını" değil aynı zamanda "ilaçların gerçek tıbbi kullanımda birbirleriyle nasıl ilişkilendiğini" de anladığında gelecekteki ihtiyaçları daha iyi öngörebilir. KG‑GCN‑LSTM modeli, alan bilgisini yapay zekâya entegre etmenin stok tükenmelerini ve aşırı stoklamayı azaltabileceğini, böylece eczanelerin temel ilaçları raflarda tutarken gereksiz sermaye bağlamadan hareket etmelerini sağlayabileceğini gösteriyor. Yüksek kaliteli bilgi grafikleri oluşturmak ve sürdürmek hâlâ çaba gerektirse de bu çalışma, daha zeki ve bilgi farkındalığına sahip algoritmaların daha dayanıklı ve maliyet‑etkin sağlık tedarik zincirlerini sessizce destekleyeceği bir geleceğe işaret ediyor.

Atıf: 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

Anahtar kelimeler: ilaç talep tahmini, sağlık hizmetleri tedarik zinciri, bilgi grafiği, graf sinir ağları, zaman serisi tahmini