预测季节性药物使用：利用先进机器学习的沙丁胺醇案例研究
摘要
手动预测季节性药物需求会导致效率低下和人力负担。随着机器学习的进步，有机会开发一种机器学习模型，通过识别使用数据中的模式，来预测下一季节的药物预期使用量。本研究旨在评估季节性自回归积分移动平均模型（SARIMA）在预测吸入性沙丁胺醇使用方面的应用。这项回顾性研究利用了五年的给药数据。主要结局指标是模型预测未来使用量的能力。次要结局指标是如果该模型应用于运营流程，预计可节省的劳动力成本。
该模型高效地预测了下一季节吸入性沙丁胺醇的需求，且准确性很高。长期劳动力成本有望节省数千美元。当扩展到多种季节性药物时，节省的成本将十分可观，不仅体现在财务方面，更体现在员工可节省的工时上。实施SARIMA模型进行季节性药物预测可提高预测准确性，并有可能减少人工采购工作。我们希望为美国日益增长的药房机器学习文献做出贡献。
背景
传统的医院预测方法严重依赖人工审查历史使用量，耗时且易产生变异性。机器学习（ML）是一种通过人类训练计算机基于数据做出明智预测的方法。它通过分析大型数据集进行模式识别和预测建模，从而改进流程。数据集被分为训练子集和测试子集，由历史数据组成。大约80%的……
方法
在这项经机构审查委员会（IRB）批准的回顾性研究中，收集了2020年2月1日至2025年2月28日期间的吸入性沙丁胺醇给药数据。数据使用基于Epic的前端报告工具Slicer Dicer（Epic Systems，美国威斯康星州维罗纳；2024年11月版本）提取，并以密码保护的电子表格形式安全存储在机构防火墙后的机构设备上。收集的数据点包括所有组合和……
结果
在图1中，数据集的80%代表训练数据，包括2020年2月1日至2023年9月30日。进行了内部验证，通过要求SARIMA预测2023年10月1日至2024年7月31日的时间段来测试模型。之后，将同一时期的实际数据输入模型（即数据集的剩余20%），以评估模型的预测准确性。如图表1所示，SARIMA的预测追踪了实际使用量……
讨论
目前在该机构内，历史使用数据是手动审查的，以估算下一季节所需药物的数量。本研究支持将SARIMA模型应用于医院环境中的季节性药物预测，并减少运营负担。模型的准确性以及与已知临床模式的一致性，表明其具有很强的有效性（基于低平均绝对误差MAE，由团队确定）。关于次要分析，尽管成本估算针对的是……
结论
在药房运营中实施基于SARIMA的时间序列预测，为管理季节性药物需求提供了一种可扩展、准确的方法。这种准确性使我们有信心，这些预测可以显著帮助采购团队优化药物采购。通过将该模型应用于吸入性沙丁胺醇，它展示了改进的需求预测和潜在的成本节约。通过利用这些预测，我们希望提高运营效率……
CRediT作者贡献声明
Christina Shenouda：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，项目管理，方法论，正式分析，数据整理。Steven Stettner：写作 – 审阅与编辑，可视化，验证，监督，软件，资源，项目管理，方法论，调查，正式分析，数据整理，概念构思。Binh Diep：写作 – 审阅与编辑，可视化，验证，监督，软件，资源，项目……
参考文献
- GeeksforGeeks. SARIMA (seasonal autoregressive integrated moving average). GeeksforGeeks. Published November 17, 2023....
- Suan You Lim S, Phouratsamay SL, Yahouni Z, Gascard E. Medicine consumption demand forecasting in French hospitals...
- Despot I, Arif A. Time-Series Forecasting: Definition, Methods, and Applications. Tiger Data Blog. Published September...
- Abdurahman Mousa Bashaer et al. Predicting medicine demand using deep learning techniques: a review. J Intell Syst. (2023)
- Asthma & Allergy Network. Cold Air and Asthma = Winter Asthma | Allergy & Asthma Network. allergyasthmanetwork.org....
（全文其余部分因预览限制未能完整显示，以上为可见内容）
【全文结束】