Hastane ilaç talep tahmini için melez gri kurt ile optimize edilmiş eXtreme gradient boosting tabanlı makine öğrenimi modeli

İlaç tedariki neden daha akıllı bir kristal küreye ihtiyaç duyuyor

Bir hastaneye gittiğinizde doğru ilaçların raflarda olmasını beklersiniz. Ancak perde arkasında hastaneler, önümüzdeki haftalarda her bir ilaçtan ne kadar ihtiyaç duyacaklarını tahmin etmekte zorlanırlar. Çok az sipariş verirseniz hastalar tehlikeli stok tükenmeleriyle karşılaşır; çok fazla sipariş verirseniz pahalı ilaçlar kullanılmadan süresi dolabilir. Bu çalışma, gerçek hasta ilaç verme kayıtlarını yerel hava durumu ve yılın mevsimsel desenleriyle harmanlayarak hastanelerin ilaç ihtiyaçlarını daha doğru tahmin etmelerine yardımcı olan yeni bir veri odaklı tahmin yaklaşımı sunuyor.

Eczane tezgahının arkasındaki günlük problemler

Dünya çapında hastaneler kıtlık ile israf arasında hassas bir denge yürütüyor. Basit eğilim çizgileri ve hareketli ortalamalar gibi geleneksel tahmin araçları talebi düzgün ve öngörülebilir bir şekilde değişiyormuş gibi ele alır. Oysa gerçekte ilaç kullanımı, hastalıklar yayıldıkça, mevsimler değiştikçe ve yerel olaylar ortaya çıktıkça aniden yükselip düşer. Grip mevsimi, sıcak hava dalgaları veya sivrisinek kaynaklı salgınlar belirli ilaçların talebini aniden artırabilir. Mevcut yöntemler bu dalgalanmaları—özellikle daha küçük veya kaynakları kısıtlı hastanelerde—çoğunlukla kaçırır ve panik halinde son dakika alımlarına veya kullanılmamış fazla stoklara yol açar.

Verinin, hava durumunun ve mevsimlerin hikâyesini anlatmasına izin vermek

Araştırmacılar Tayland’ın Lamphun Eyaleti’ndeki iki ilçe hastanesine odaklandı ve 2023 sonundan 2025 ortalarına kadar yatan hasta muayeneleri ve eczane ilaç dağıtımlarından 3,4 milyondan fazla kayıt topladı. Bu kayıtları ulusal bir ilaç kataloğuyla ilişkilendirerek her bir ürünün hastaneler arasında tutarlı şekilde izlenebilmesini sağladılar. Aynı zamanda açık bir hava servisi üzerinden sıcaklık, yağmur miktarı, nem, rüzgar ve güneşlenme gibi ayrıntılı hava verilerini ve yıl, ay ve hafta numarası gibi takvim bilgilerini de eklediler. Bu parçaları birleştirerek, 588 farklı ilacın talebinin hem hastane faaliyetleri hem de çevresel koşullarla haftalık bazda nasıl yükselip düştüğüne dair zengin bir tablo oluşturdular.

Bir kurt sürüsü doğru ipuçlarını nasıl seçmeye yardımcı oluyor

Bu karmaşık veriyi güvenilir tahminlere dönüştürmek için ekip iki fikri bir araya getiren melez bir model tasarladı. Birincisi, gri kurtların avlanma davranışından esinlenen bir arama yöntemi. Modelde her bir “kurt”, talebi tahmin etmeye yardımcı olabilecek belirli hava ölçümleri veya zaman işaretleri gibi olası ipuçları alt kümelerini temsil ediyor. Bu kurtlar olasılıklar uzayında dolaşıp en bilgilendirici kombinasyonlara doğru kademeli olarak yakınsarken gürültülü veya tekrarlı faktörleri eliyor. İkinci fikir ise birçok küçük karar ağacı inşa edip bunları güçlü bir genel tahmine dönüştüren güçlü bir tahmin motoru olan gradient boosting. Kurt esinli aramanın hangi ipuçlarının kullanılacağını ve ağaçların nasıl oluşturulacağını ayarlamasına izin vererek sistem öğrenme gücünü en çok önem taşıyan alanlara odaklıyor.

Modeli gerçek hastanelerde teste sokmak

Yeni melez model, aynı temizlenmiş ve standartlaştırılmış verilerle beslenen rastgele ormanlar, sinir ağları ve diğer boosting yöntemler de dahil beş güçlü makine öğrenimi rakibiyle karşılaştırıldı. Araştırmacılar performansı üç yaygın ölçütle değerlendirdiler: tipik hatanın büyüklüğü, büyük hataların ne kadar şiddetle cezalandırıldığı ve modelin gerçek talepteki iniş-çıkışların ne kadarını açıklayabildiği. Genel olarak melez yaklaşım öne çıktı. Sadece en küçük hataları yapmakla kalmadı, haftalık ilaç kullanımındaki ani zirve ve çöküşleri alternatiflere kıyasla daha yakından takip etti ve eğitim–test veri bölünmesi değiştirildiğinde bile sonuçları istikrarlı kaldı.

Daha iyi tahminlerin hastalar ve planlayıcılar için anlamı

Uzman olmayanlar için temel mesaj basit: hava ve zamanlamaya dikkat eden daha akıllı algoritmalar kullanmak, hastane ilaç tahminlerini çok daha güvenilir hale getirebilir. Bu kavramsal kanıt yalnızca iki Tayland hastanesine dayansa da gerçek dünya dağıtım verilerini yerel çevresel sinyallerle harmanlamanın kestirimi azaltabileceğini, israfı kesebileceğini ve rafların boş kalmasını önlemeye yardımcı olabileceğini gösteriyor. Dikkatli gözetim ve hastane bilgi sistemlerine entegrasyonla, bu tür araçlar satın alma ekiplerini destekleyebilir, ulusal ilaç planlamasını iyileştirebilir ve nihayetinde hastanın ihtiyaç duyduğunda doğru ilacın bulunma olasılığını artırabilir.

Atıf: 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

Anahtar kelimeler: ilaç talep tahmini, hastane eczanesi, makine öğrenimi, sağlık hizmetleri tedarik zincirleri, hava ve sağlık