一种由灰狼混合优化的极端梯度提升机器学习模型用于医院药品需求预测

为何药品供应需要更聪明的“水晶球”

当你来到医院时，希望货架上有合适的药品。然而在幕后，医院常常难以准确预测未来几周每种药品的需求量。订货太少会导致患者面临危险的库存耗尽；订货过多又会使昂贵药品过期报废。该研究提出了一种新的数据驱动预测方法，通过将真实的患者发药记录与当地天气和季节性模式相结合，帮助医院更准确地预判药品需求。

药房柜台背后的日常难题

全球医院在短缺和浪费之间如履薄冰。传统的预测工具——例如简单的趋势线和移动平均——把需求视为平滑且可预测地变化。但现实中，随着疾病传播、季节更替和本地事件的发生，药品使用会出现大幅波动。流感季、热浪或蚊媒传染病暴发等都可能使特定药品的需求骤增。现有方法常常错过这些突变，尤其是在较小或资源受限的医院，导致匆忙的临时采购或堆积的未用库存。

让数据、天气和季节讲述需求的故事

研究者将重点放在泰国蓝彭府的两家省级医院，收集了自2023年底至2025年中间超过340万条门诊就诊和药房发药记录。他们将这些记录与国家药品目录连接，以便在不同医院间一致地追踪每种品目。同时，他们从开放气象服务获取了详细的天气信息——温度、降雨、湿度、风力与日照——并加入了年份、月份和周数等日历线索。通过将这些要素结合，研究团队构建了一个详尽的周级画像，展示588种不同药品的需求如何随医院活动与环境条件起伏。

灰狼帮忙挑选最有用的线索

为了把这些复杂数据转化为可靠预测，团队设计了一个混合模型，融合了两种思想。第一种是受灰狼捕猎行为启发的搜索方法。在模型中，每只“狼”代表一组可能的预测线索——例如某些天气量度或时间标记——这些狼在可能性的空间中游走，逐步收敛到最具信息量的组合，同时剔除噪声或冗余因子。第二种思想是强大的预测引擎：梯度提升，它构建许多小的决策树并将它们组合成一个强大的整体预测器。通过让灰狼式搜索调整应使用哪些线索以及如何构建这些树，系统将学习能力集中在最重要的地方。

在真实医院中检验模型

该混合模型与五种强劲的机器学习对手展开比较，包括随机森林、神经网络以及其它提升方法，所有模型使用相同的清洗和标准化数据。研究者用三个常见指标评估性能：典型误差的大小、对大错误的惩罚程度，以及模型能解释实际需求波动的比例。在各项对比中，混合方法表现最佳。它不仅产生了最小的误差，还比替代方法更准确地追踪到周度用药的突发峰值与下降，并且在改变训练—测试数据划分时结果仍保持稳定。

更好预测对患者和规划者的意义

对非专业读者来说，核心信息很明确：采用关注天气与时间因素的更智能算法，可以显著提升医院药品预测的可靠性。尽管该概念验证仅基于两家泰国医院，但研究表明，将真实的发药数据与本地环境信号相结合，能够减少猜测、降低浪费并有助于避免货架断药。在经过谨慎监管并整合进医院信息系统后，此类工具能够支持采购团队、改善国家药品规划，并最终提高患者在需要时获得合适药品的概率。

引用: 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

关键词: 药品需求预测, 医院药房, 机器学习, 医疗供应链, 天气与健康