用于药品需求预测的知识图增强深度学习

为什么更智能的药品预测很重要

医院、药房和患者都依赖于在正确的时间获得合适的药品。订货太少，救命药可能在需要时缺货；订货过多，货架上会堆满即将过期、造成浪费的产品。问题在于药品需求会随流感季节、新爆发、指南变化以及医生替换或联合用药的方式而波动。本文提出了一种新的药品需求预测方法，结合了先进的人工智能与结构化的医学知识，以提高医疗供应链的可靠性和效率。

当今预测工具的局限性

许多医院和供应商仍依赖传统的统计模型，这些模型假设需求遵循相对平滑、可预测的趋势。这些方法将每种药物视为独立存在，忽视了一种药物如何替代或补充另一种药物。较新的机器学习与深度学习模型（如神经网络）在处理时间序列数据的波动方面表现更好，但它们通常也仅关注过去的销售数据。因此，它们常常错过一个重要方面：医生在治疗相同疾病时如何在不同药品间做出选择，尤其是在存在替代品或常见组合的情况下。

添加药物关系的地图

作者通过构建一个药学“知识图谱”来解决这一问题——这是一种将药物、症状和疾病联系起来的地图。在该图谱中，每个节点代表一种药物或症状，每条连边代表一种现实世界的关系，例如一种抗生素可替代另一种，或某种维生素常与感冒药一起开具。通过将预测基于这个结构化地图，模型可以理解：如果某种药物的需求上升或下降，它的近似替代品或典型搭配药的需求也可能随之变化。这把零散的销售记录转化为治疗在实践中如何相互作用的连贯图景。

混合 AI 模型的工作原理

为了把这张地图和销售历史转化为预测，研究提出了一种名为 KG‑GCN‑LSTM 的混合模型。首先，图卷积网络（GCN）沿知识图谱的连边传播信息，使每种药物的表示不仅反映其自身的历史，还反映相关药物的行为。一个特殊的“截取”步骤随后将模型的关注重新聚焦到目标药物上，减少来自不太相关邻居的噪声。接着，长短期记忆网络（LSTM）——一种用于序列的递归神经网络——处理这些增强后的每周需求数据，以学习时间上的模式，例如季节性、渐进增长和突发峰值。最后，一个简单的输出层将这些学到的模式转化为未来需求的预测。

繁忙药房的真实世界测试

研究人员在印度尼西亚一家药房的超过五十万条销售记录上测试了他们的方法，涵盖200多种产品。他们对数据进行了清洗并汇总为周需求，过滤掉历史非常短的品项，并使用国际药物分类和已知的药物相互作用构建了知识图谱。然后将新模型与广泛的既有技术进行比较，从经典的 ARIMA 和支持向量回归到现代深度学习系统如 CNN‑LSTM、N‑BEATS 和 TimeMixer。在若干标准误差度量上，这一知识增强模型总体上提供了最准确的预测，与强大的深度学习基线相比，相对误差降低了约3.6个百分点，同时在可解释性和对历史数据有限药品的适应性方面优于最新的 TimeMixer 方法。

这对患者和提供者意味着什么

对非专业人士来说，核心信息很简单：当预测工具不只是理解“每种药卖了多少”，而是还理解“在实际医疗使用中药物之间如何相互关联”时，它们能更好地预判未来需求。KG‑GCN‑LSTM 模型表明，将领域知识编织进 AI 可以减少缺货和过量库存，帮助药房在不占用不必要资金的情况下保持必需药品上架。虽然构建和维护高质量的知识图谱仍需要投入，但这项研究指向了一个未来：更智能、具知识意识的算法将默默支持更具弹性且更具成本效益的医疗供应链。

引用: 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

关键词: 药品需求预测, 医疗供应链, 知识图谱, 图神经网络, 时间序列预测