通过一个基于临床优先级考量且能识别需求波动的适应性决策支持框架，优化医院的药品和医疗用品采购流程

《International Journal of Medical Informatics》：Enhancing hospital drug and medical supply request processes through a clinically prioritized and demand-variability–aware adaptive decision support framework

库存补充决策中短期预测与临床优先级自适应阈值框架研究，通过XGBoost模型预测14-30天需求并依据VEN优先级动态调整HIS系统阈值，实验显示缺货天数减少81.5%，订购天数降低71.6%，同时验证预测模型优于传统180天移动平均基准。

　　

作者：Devrim ??li | Leman Ayd?n

土耳其代尼兹利市帕穆卡莱大学

摘要

背景

医院信息系统（HIS）中基于规则的补货阈值是可行且可审计的，但可能对需求变化和临床紧急情况的响应较慢。

目标

评估一个决策支持框架，该框架在保持三级请求结构（最低/关键/最高）的同时，根据短期需求预测和不确定性调整阈值，并按VEN临床优先级（重要–必需–非必需）进行分层，并将其预测组件与简单的180天滚动平均值预测器（μ180）进行基准测试。

方法

从医院常规记录中构建了一个回顾性的单位–项目–日面板，并按VEN进行分类。XGBoost预测了14天和30天的累积需求；不确定性通过乘以VEN特定系数的30天滚动消费标准差来建模。将自适应目标映射到现有的HIS请求级别，并在30天的机器学习可用面板（35,801个单位–项目–日记录；1269个系列；2025-09-30–2026-01-22）上与基线规则（180天滚动平均值的7倍/15倍/30倍）进行回测。使用RMSE和WAPE比较预测准确性，并通过校准和Diebold–Mariano测试进行支持。使用配对Wilcoxon测试和交货期敏感性分析评估政策效果。

结果

所提出的政策减少了缺货天数（从54天减少到10天；减少了81.5%），低于临界值的天数（从11,612天减少到6,396天；减少了44.9%），订购天数（从1,936天减少到550天；减少了71.6%），以及订购数量（从853,119减少到579,795；p < 0.001）。重要物品的缺货问题得到了解决。XGBoost在各个时间范围内将WAPE降低了62%–71%，并且Diebold–Mariano测试证实了其绝对误差优势。库存暴露量增加（从366,406增加到802,049），表明存在可衡量的安全–库存权衡。

结论

基于VEN优先级、考虑预测和波动性的阈值调整在可审计的HIS工作流程中提高了服务连续性和订购效率，同时量化了在不同交货期假设下的权衡。

引言

保持药品和医疗用品的不间断供应是患者安全的要求，也是医院的核心运营职能。中断可能导致替代品的使用、治疗延迟以及临床工作量的增加，而过多的库存则会增加处理工作和营运资金的风险。在需求和供应不确定性的情况下，以及在危机期间，制药供应链的脆弱性已被记录在案[1]、[2]、[3]，基于模拟的分析表明，当明确考虑召回等中断时，短缺的结果会发生变化[4]。这些压力促使人们从韧性角度出发，将库存决策视为连续性规划的一部分，而不仅仅是成本最小化[5]、[6]。

在医院信息系统（HIS）中，每日请求过程——何时以及向内部主仓库或供应商请求多少——是服务连续性和工作流程负担交汇的运营控制点。过低的阈值会增加缺货风险；过于保守的阈值则会增加库存和运营压力。由于补货规则嵌入在常规HIS工作流程中，并且需要接受审计和治理要求，医院通常依赖简单且易于解释的阈值结构，这些结构在日常实践中是透明且可扩展的[7]、[8]。核心问题是，在需求变化、增加的变异性以及产品间不同的临床紧急性情况下，这些固定规则是否仍然有效[3]、[9]。

基于规则的补货方法得以持续，因为它支持稳定性、问责制和可追溯性。然而，基于长时间历史窗口的阈值可能对突然的变化、间歇性需求和结构性的中断反应迟缓——这些在医院物品级别的消费模式中经常观察到[3]、[10]。当决策规则中没有明确考虑不确定性时，静态政策在变化条件下可能表现不佳[1]、[4]、[9]、[11]。

在我们的设置中，现有的HIS政策将最低、关键和最高阈值定义为180天滚动平均每日消费（μ180）的固定倍数。虽然这种方法在操作上方便且可审计，但它没有明确纳入短期需求信号、日常波动性或订购点的临床优先级[5]、[6]、[12]。尽管预测和机器学习方法越来越多地应用于药品需求预测[3]、[19]、[20]、[21]，但仍存在实施差距：预测输出通常仅根据误差指标进行评估，而不是与透明的简单基线进行基准测试，并转化为与现有HIS治理兼容的阈值政策[5]、[13]、[14]。如果没有这样的基准测试和政策层面的评估，预测准确性的提高并不一定意味着运营上的优势。

像VEN（重要–必需–非必需）这样的临床优先级方案被广泛用于指导资源分配[17]、[18]。然而，尽管短缺的临床后果存在不对称性[3]、[6]，补货触发器通常在所有VEN层面上保持一致。将缓冲水平与不确定性联系起来，而不是与固定常数联系起来，这与安全库存理论一致[12]，并且短期预测可能在非平稳需求下提高响应能力[3]、[6]、[19]、[20]、[21]。然而，必须使用简单的滚动平均值基准来评估预测性能，并通过统计测试来评估其附加价值，以在常规决策中建立优势[13]、[14]、[15]、[22]。

本研究通过将短期累积需求预测和考虑波动性的缓冲区（按VEN临床优先级进行缩放）嵌入到现有的三级HIS请求结构中，解决了这些差距。预测组件与μ180滚动平均值预测器进行基准测试，并使用校准和正式的预测比较测试来评估系统偏差和相对性能。此外，还进行了交货期敏感性分析，以评估在不同运营假设下的稳健性。通过保留现有的HIS结构，同时明确进行基准测试和压力测试，该研究能够联合评估服务连续性、工作量和库存暴露。

方法部分

本研究评估了一个可部署的决策支持层是否可以在保持现有三级HIS请求结构（最低/关键/最高）的同时，改善医院内部的补货决策。该干预措施针对内部主仓库到子仓库的转移，没有模拟外部采购。使用回顾性的单位–项目时间序列、短期累积需求预测和按VEN缩放的波动性缓冲区，将其转化为可审计的阈值并进行比较

结果

除非另有说明，否则结果报告的是针对机器学习可用政策回测面板的数据（L30定义；n = 35,801个单位–项目–日记录；n_series = 1269；2025-09-30至2026-01-22）。主要结果是缺货天数和低于临界值的天数。次要结果是订购天数、总订购数量和库存暴露（inv_end_avg_sum / inv_end_avg_mean）。组合级结果以日汇总总数呈现；配对序列级推断在第3.5节中报告。

讨论

本研究评估了基于预测的、按VEN优先级调整的阈值更新是否可以在保持可审计的三级HIS工作流程的同时，改善医院内部的补货决策。有三个发现值得讨论：（i）短期预测在相对误差方面优于简单的滚动平均值预测器；（ii）将这些预测转化为自适应阈值可以减少安全风险和订购工作量；（iii）改进是在可测量的范围内发生的

结论

本研究考察了短期、基于预测的阈值更新是否可以在保持现有三级HIS请求结构的同时，改善医院内部的补货决策。通过将累积需求预测和按VEN缩放的波动性缓冲区嵌入到最低/关键/最高框架中，所提出的方法仍然可审计且与常规工作流程兼容。

与简单的μ180滚动平均值预测器相比，显示出显著的减少

参与/出版同意

不适用。

数据可用性

由于机构保密性和监管要求，原始运营数据不得公开。支持研究结果的去标识化提取和/或汇总输出可以在合理请求下，经伦理/机构批准和数据使用协议同意后，由相应作者提供。

代码可用性

分析流程和回顾性回测脚本可以在合理请求下共享。如果在同行评审期间需要，可以提供一个盲审者可访问的存储库。关键的可复现性细节在补充材料中报告。

伦理批准和数据隐私

这项回顾性研究使用了机构的库存、库存状态和消费记录，未包含直接的个人标识符。已获得帕穆卡莱大学科学与工程学院科学研究和出版伦理委员会的伦理批准（参考编号：68282350/2025/07；会议日期：2025年12月30日；会议编号：07）。数据访问和处理符合机构的保密要求和适用的数据保护规则。

CRediT作者贡献声明

Devrim ??li：撰写 – 原始草稿、可视化、软件、方法论、形式分析、概念化。Leman Ayd?n：撰写 – 审稿与编辑、验证、监督、方法论、数据管理。

资助

本研究未获得公共部门、商业部门或非营利部门的任何特定资助。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。