基于機器學習的醫院應急藥品庫存管理優化

李一鳴 劉 波

（沈陽工業大學化工裝備學院，遼寧 遼陽 111003）

1 研究背景

近年來，全球進入重大共同突發事件高發期，應急藥品作為應急物資中最重要的戰略儲備，在救援受災人群以及防控災難疾病方面等起著重要的作用。我國直到2005 年才初步建立應急藥品管理體系，國務院通過了《國家突發公共事件總體預案》，并成立應急管理辦公室。我國目前的應急藥品儲備體系中主要存在的兩個問題：一是我國基本完全由國有醫藥企業擔負應急藥品儲備重任，但由于整體環境及市場形勢等原因，國有醫藥企業逐漸出現經營困難、能力不足的問題，導致其無法有效履行職能；二是我國應急藥品的儲備模式固定且單一，大量同類藥品長期儲存在庫房中，不進行市場流通，承擔著成本升高及藥品質量下降的雙重風險。同時，醫院并沒有將應急藥品作為獨立的一項進行管理，這提高了突發事件來臨時供應不足的風險，同時增加了日常的庫存成本。如何優化應急藥品的庫存管理已經吸引眾多關注，在人工智能已逐漸成為大勢所趨的情況下，本文將利用機器學習嘗試構建關于醫院日常的應急藥品需求預測模型，同時結合其他單一預測模型，優化醫院應急藥品的庫存管理。

2 醫院應急藥品庫存管理國內研究現狀

2003 年突如其來的“非典”引起了各方的高度關注，我國于同年頒布了《突發公共衛生事件應急條例》，標志著公共衛生突發事件納入法制化管理。雖然自2008 年四川汶川地震至今，我國在災害救援方面的組織能力已經有了顯著提高，但救援應急藥物卻總是出現用時短缺的現象，應急藥品的庫存管理也存在著諸多，如流通不暢導致庫存積壓、最低庫存量無法維持應急需要、周轉天數不固定、庫存成本增加等。在醫院內部，應急藥品的管理目標是首先要保證在國家面臨災情或疫情時可以及時按量提供，在此基礎上，應急藥品也要盡量在市場上流通以保證庫存的及時更新，同時減少庫存成本[1]。熊瀟磊等人在2017 年提出將應急藥品嘗試嵌合入現行的基本藥品的儲備和供應模式中，這樣在突發事件出現時，可以加快藥品的供應模式從日常到應急的轉換，提高應急供應的時效性，同時降低成本，另外，逐漸加深應急藥品的日常嵌入程度，可以保證受災人群享有穩定的醫療救援周期[2]。這種方式可以使醫院內部的應急藥品的日常管理更加規范化，應急藥品與基本藥品的嵌合可以有效減少應急供應體系在發現重大突發事件后的反應時間和救援準備時間。目前國內的應急藥品儲備現狀為：政府指定大中型藥企進行指定藥物種類并進行長期儲存，意味著一旦出現緊急突發事件，應急藥品需要由各大儲藥企業進行自行配送或統一調配，而由于國內現在無統一明確的應急藥品儲備目錄，在調配過程中極有可能出現由于藥品種類重合或短缺的情況，這加重了時間成本與經濟成本的雙重流失。藥企長期儲備應急藥品的現狀在一定程度上導致了醫院并沒有實際承擔應急藥品的儲備與供應的責任。

目前，國外一些國家已建立了較為成熟的應急物資供應儲備體系，其中美國的發展成果比較突出且可作為我國學習和借鑒的對象。在“911”事件、“炭疽事件”等重大突發事件發生后，一些歐美國家開始著重構建藥品應急管理體系，通過不斷地吸取教訓，總結經驗，逐步提高了國家應對突然災害和處理突發公共衛生危機的能力。在美國，幾乎每個醫療機構都有針對突發事件的藥品應急預案，且為保證國家應急救援可以迅速有效，各醫療機構的藥學部應急預案已納入國家應急預案體系，同時為緩解國家應急預案體系承擔的救援壓力，將預案體系中應急藥品儲備與供應納入國家應急藥品儲備戰略體系，兩個不同體系的管理相當于為應急藥品的儲備與供應提供了雙重保障。

國內很多學者認為醫院需要建立自己的應急藥品儲備系統，這其中涉及應急藥品的庫存管理，優化庫存管理可以從兩個方面入手：一是合理確定應急藥品的儲備數量，這對提高應急反應速度和資金使用效率非常重要；二是改良應急藥品的儲備形式及投放安排，進一步提高應急效率[3]。目前對于應急藥品的種類較為固定，儲存周期多且不確定儲存時長，出庫入庫的時間與數量基本隨機等特點，可以先構建單品種多周期或多品種短周期的庫存模型，進行比較后，選擇更貼合實際的模型，再由點及面找到最佳的經濟優化方案，其中主要內容是在考慮初期的庫存水平的基礎上，同時庫存水平要考慮始終處于滿足突發事件應急藥品供應量以上，在找出既保證儲備量又可以充分周轉的訂貨時機時，確定此時的庫存量臨界點，并以此確定該周期內的最佳訂貨量。確定醫院內應急藥品實際需求數量和預測應急藥品儲備需求量是本文研究的關鍵，在已有的相關文獻中，基于機器學習的此方面研究較少，但有關機器學習的理論及應用較為豐富，本文將利用機器學習確定應急藥品實際需求數量和應急藥品儲備需求量。

3 機器學習及其應用國內外研究現狀

為了有效降低庫存管理中涉及的各種成本，提前進行需求預測是其過程中十分關鍵的一個環節，需求作為整個周轉鏈條的基礎動因，影響著每個步驟，提前模擬出需求隨時間的變化的情況，可以更細致準確地控制對應環節的部署，而通過明確需求的影響因素及其可能出現的結果有利于提高預測的有效性和準確性，達到庫存管理的優化和供應鏈輔助決策的目的。隨著科技的不斷發展，大數據逐步滲透到各行各業并日趨豐富的背景下，機器學習相關的需求預測方法逐漸成為研究的主要熱點。通過機器學習算法構建的需求預測模型能夠確定并模擬歷史數據規律，從而準確預測實際需求來削弱庫存的不確定性和采購的盲目性，提高醫院對于突發需求變化的應對速度，降低因需求信息不明帶來的供應不足風險或囤積風險[4]。目前研究的較為廣泛的機器學習算法主要有：k 近鄰、決策樹、支持向量機、隨機森林、神經網絡等，k 近鄰算法作為在機器學習算法中較為基礎的技術，已經廣泛地應用于眾多領域的相關研究中，該算法根據局部數據建立模型，再利用實際數據訓練模型，進行學習。由于k近鄰算法的結構限制，當訓練數據和測試數據之間的度量距離較小或者具有相似性時，模型的準確性較高，同時還要參照訓練數據并利用分類函數對需要測試的數據進行分類預測，其過程較為復雜。決策樹的結構狀似一棵倒樹，主要由根節點、內節點、葉節點和邊組成。根節點是最上層的結點，葉節點是得出對應判斷結論的節點，內部節點用于區分其他節點。決策樹算法的計算規模基本上不大，無論數據量的規模大小，模型都可以較快地完成構建，該算法相較于其他算法在應對噪聲數據時的魯棒性方面，具有較為明顯的優勢。支持向量機的原理是利用對偶拉格朗日函數推導得出全局最優解，因此其模型具有扎實嚴謹的統計理論基礎，但在模型運行后得出的結果中，可能會由于凸優化問題得到局部而非整體的最優值，從而導致結果的誤差較大，預測的有效性較差。隨機森林是個組合模型，是由決策樹組合而成，由于模型中的樹與樹之間是獨立的，所以隨機森林既可以處理連續變量，也可以處理離散變量。隨機森林在處理擁有多種分類情況的問題方面具有很好的效果，其建模和測試的效率都很快高，準確性也能夠保持在很高的水準，同時可以處理很多變量的數據，但訓練所需要的數據規模較大。人工神經網絡模型在20 世紀80 年代中期開始建立，其依據的原始主體是人類大腦的神經系統，其中包含了許多并行進行的計算和根據對應規律層次完成排列組合的簡單功能單元，因此具有很強的自組織、自適應和容錯能力等特征，其主要優勢體現在處理非線性問題上。到了20 世紀90 年代初，許多研究人員開始嘗試將神經網絡融入需求預測中，自Bernhard E.Bose和Bladimir N.Vapnik二人改進的SVM（支持向量機）應用于需求預測以來，關于需求預測的各方面的研究內容逐漸細化，研究深度持續延伸，研究方向愈加豐富，不再只利用單一模型完成預測，而是發展為單一與組合模型聯合工作[5]。常曉花等人在2018 年建立了一種基于Adaboost 方法的隨機森林需求預測模型，利用了240 組醫療器械的需求數據進行訓練，該研究通過改進Adaboost 方法并結合隨機森林算法，同時在算法的有效性和預測精度方面完成了一定程度的提升[6]。宮劍等人在2014 年，通過三種具有較為明顯的互補特征的神經網絡預測方法（BP 神經網絡、RBF 神經網絡、廣義回歸神經網絡），考慮了藥品需求的歷史數據在較短時間內波動較大的情況，利用神經網絡在其主要測試方面的優勢，建立了藥品需求組合預測模型，通過該模型進行預測后，可以較為精準的模擬出藥品在一段時間內的需求波動情況[7]。Vhatkar 等人在2016 年為了提升口腔保健藥品的供需對應精度，構建了相關的需求預測模型，由于口腔保健藥品的參考因素較多，所以選取了具有誤差小、正確率高的特點的反向傳播神經網絡進行模型的構建，該模型通過多種因素驗證預測的有效性和精確度[8]。目前國內外學者主要研究并應用到各方面的單一的預測模型有：馬爾科夫預測模型、灰色預測模型、支持向量回歸機預測模型、神經網絡預測模型等，而組合預測模型有：主成分分析與BP 神經網絡融合模型、LM 算法和BP 網絡模型結合的預測模型、共軛梯度與BP 神經網絡相結合的預測模型等。相對于單一預測模型，組合模預測模型幾乎囊括了大部分單一預測模型的主要優勢，因此其預測結果更全面、更系統、更科學。

4 醫院應急藥品庫存管理優化研究

本文以某醫院為調查對象，著重研究應急藥品在院內的儲備和流通過程，通過使用HIS 管理系統，了解醫院藥庫中應急藥品的日常管理操作及相關的數據庫結構并從中提取所需數據。數據主要包括：應急藥品名稱、庫存量、庫存金額、銷售量、銷售金額、缺貨次數、缺貨量、訂購次數、單次訂購數量等，應用到各指標的公式如下：

具體采集數據涉及的應急藥品種類以應急藥品目錄清單為范圍，本文通過相關文獻整理，參考以往出現應急突發事件時，使用的較為普遍且大量消耗的藥品，統計種類并進行分類，逐一列表后結合實地調研，得出一份應急藥品目錄，為保證該目錄具有應用的普遍性，其中所列應急藥品應與多類突發事件均有較大相關性。研究中主要涉及的應急藥品的最低儲備量，即應急藥品供應標準結合當地政策及文獻提供的歷史數據后確定。完成數據采集及整理后，根據已有歷史數據中某一季度的信息，再選取多個單項預測模型，進行下一季度的單項預測，例如：預測季度應急藥品銷售量、預測季度應急藥品缺貨量等，將單項預測結果與實際歷史數據進行對比，計算預測誤差，再根據已有數據特征和誤差分析選取兩個模型，構建組合預測模型，調整權重后再進行與之前相同的單項預測，得出相對誤差后進行組合預測和變權處理，同時為了提高模型的預測精度，再引入預測有效度進行綜合評價，預測有效度越大，則預測精度越高，最后將預測結果與實際數據進行比照來確定模型的有效性及穩定性，確定模型預測有效且穩定后，根據預測結果調整應急藥品的庫存管理的各項指標，提出優化后庫存管理模式，在保證應急藥品儲備充足的基礎上降低庫存成本，并高效地進行市場流通。

通過對我國目前醫院應急藥品庫存管理研究現狀的分析，結合基于機器學習的預測模型的學習與應用，在基本確定有代表性的應急藥品種類后，將機器學習應用到此研究中，以保證應急儲備和降低成本為總目標，構建多種應急藥品季度需求預測模型，運用具體實例進行預測結果檢驗，獲得更符合市場期望及醫院應急反應能力要求的庫存儲備及周轉的條件，優化后的結果提高了醫院面對突發事件的應變能力和市場競爭力，有助于加速我國應急藥品儲備管理體系的發展。