李一鳴 劉 波

（沈陽工業(yè)大學(xué)化工裝備學(xué)院，遼寧 遼陽 111003）

1 研究背景

近年來，全球進(jìn)入重大共同突發(fā)事件高發(fā)期，應(yīng)急藥品作為應(yīng)急物資中最重要的戰(zhàn)略儲備，在救援受災(zāi)人群以及防控災(zāi)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(yīng)急藥品管理體系，國務(wù)院通過了《國家突發(fā)公共事件總體預(yù)案》，并成立應(yīng)急管理辦公室。我國目前的應(yīng)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(yī)藥企業(yè)擔(dān)負(fù)應(yīng)急藥品儲備重任，但由于整體環(huán)境及市場形勢等原因，國有醫(yī)藥企業(yè)逐漸出現(xiàn)經(jīng)營困難、能力不足的問題，導(dǎo)致其無法有效履行職能；二是我國應(yīng)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(jìn)行市場流通，承擔(dān)著成本升高及藥品質(zhì)量下降的雙重風(fēng)險。同時，醫(yī)院并沒有將應(yīng)急藥品作為獨(dú)立的一項進(jìn)行管理，這提高了突發(fā)事件來臨時供應(yīng)不足的風(fēng)險，同時增加了日常的庫存成本。如何優(yōu)化應(yīng)急藥品的庫存管理已經(jīng)吸引眾多關(guān)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(jī)器學(xué)習(xí)嘗試構(gòu)建關(guān)于醫(yī)院日常的應(yīng)急藥品需求預(yù)測模型，同時結(jié)合其他單一預(yù)測模型，優(yōu)化醫(yī)院應(yīng)急藥品的庫存管理。

2 醫(yī)院應(yīng)急藥品庫存管理國內(nèi)研究現(xiàn)狀

2003 年突如其來的“非典”引起了各方的高度關(guān)注，我國于同年頒布了《突發(fā)公共衛(wèi)生事件應(yīng)急條例》，標(biāo)志著公共衛(wèi)生突發(fā)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(zāi)害救援方面的組織能力已經(jīng)有了顯著提高，但救援應(yīng)急藥物卻總是出現(xiàn)用時短缺的現(xiàn)象，應(yīng)急藥品的庫存管理也存在著諸多，如流通不暢導(dǎo)致庫存積壓、最低庫存量無法維持應(yīng)急需要、周轉(zhuǎn)天數(shù)不固定、庫存成本增加等。在醫(yī)院內(nèi)部，應(yīng)急藥品的管理目標(biāo)是首先要保證在國家面臨災(zāi)情或疫情時可以及時按量提供，在此基礎(chǔ)上，應(yīng)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(yīng)急藥品嘗試嵌合入現(xiàn)行的基本藥品的儲備和供應(yīng)模式中，這樣在突發(fā)事件出現(xiàn)時，可以加快藥品的供應(yīng)模式從日常到應(yīng)急的轉(zhuǎn)換，提高應(yīng)急供應(yīng)的時效性，同時降低成本，另外，逐漸加深應(yīng)急藥品的日常嵌入程度，可以保證受災(zāi)人群享有穩(wěn)定的醫(yī)療救援周期[2]。這種方式可以使醫(yī)院內(nèi)部的應(yīng)急藥品的日常管理更加規(guī)范化，應(yīng)急藥品與基本藥品的嵌合可以有效減少應(yīng)急供應(yīng)體系在發(fā)現(xiàn)重大突發(fā)事件后的反應(yīng)時間和救援準(zhǔn)備時間。目前國內(nèi)的應(yīng)急藥品儲備現(xiàn)狀為：政府指定大中型藥企進(jìn)行指定藥物種類并進(jìn)行長期儲存，意味著一旦出現(xiàn)緊急突發(fā)事件，應(yīng)急藥品需要由各大儲藥企業(yè)進(jìn)行自行配送或統(tǒng)一調(diào)配，而由于國內(nèi)現(xiàn)在無統(tǒng)一明確的應(yīng)急藥品儲備目錄，在調(diào)配過程中極有可能出現(xiàn)由于藥品種類重合或短缺的情況，這加重了時間成本與經(jīng)濟(jì)成本的雙重流失。藥企長期儲備應(yīng)急藥品的現(xiàn)狀在一定程度上導(dǎo)致了醫(yī)院并沒有實(shí)際承擔(dān)應(yīng)急藥品的儲備與供應(yīng)的責(zé)任。

目前，國外一些國家已建立了較為成熟的應(yīng)急物資供應(yīng)儲備體系，其中美國的發(fā)展成果比較突出且可作為我國學(xué)習(xí)和借鑒的對象。在“911”事件、“炭疽事件”等重大突發(fā)事件發(fā)生后，一些歐美國家開始著重構(gòu)建藥品應(yīng)急管理體系，通過不斷地吸取教訓(xùn)，總結(jié)經(jīng)驗，逐步提高了國家應(yīng)對突然災(zāi)害和處理突發(fā)公共衛(wèi)生危機(jī)的能力。在美國，幾乎每個醫(yī)療機(jī)構(gòu)都有針對突發(fā)事件的藥品應(yīng)急預(yù)案，且為保證國家應(yīng)急救援可以迅速有效，各醫(yī)療機(jī)構(gòu)的藥學(xué)部應(yīng)急預(yù)案已納入國家應(yīng)急預(yù)案體系，同時為緩解國家應(yīng)急預(yù)案體系承擔(dān)的救援壓力，將預(yù)案體系中應(yīng)急藥品儲備與供應(yīng)納入國家應(yīng)急藥品儲備戰(zhàn)略體系，兩個不同體系的管理相當(dāng)于為應(yīng)急藥品的儲備與供應(yīng)提供了雙重保障。

國內(nèi)很多學(xué)者認(rèn)為醫(yī)院需要建立自己的應(yīng)急藥品儲備系統(tǒng)，這其中涉及應(yīng)急藥品的庫存管理，優(yōu)化庫存管理可以從兩個方面入手：一是合理確定應(yīng)急藥品的儲備數(shù)量，這對提高應(yīng)急反應(yīng)速度和資金使用效率非常重要；二是改良應(yīng)急藥品的儲備形式及投放安排，進(jìn)一步提高應(yīng)急效率[3]。目前對于應(yīng)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(shù)量基本隨機(jī)等特點(diǎn)，可以先構(gòu)建單品種多周期或多品種短周期的庫存模型，進(jìn)行比較后，選擇更貼合實(shí)際的模型，再由點(diǎn)及面找到最佳的經(jīng)濟(jì)優(yōu)化方案，其中主要內(nèi)容是在考慮初期的庫存水平的基礎(chǔ)上，同時庫存水平要考慮始終處于滿足突發(fā)事件應(yīng)急藥品供應(yīng)量以上，在找出既保證儲備量又可以充分周轉(zhuǎn)的訂貨時機(jī)時，確定此時的庫存量臨界點(diǎn)，并以此確定該周期內(nèi)的最佳訂貨量。確定醫(yī)院內(nèi)應(yīng)急藥品實(shí)際需求數(shù)量和預(yù)測應(yīng)急藥品儲備需求量是本文研究的關(guān)鍵，在已有的相關(guān)文獻(xiàn)中，基于機(jī)器學(xué)習(xí)的此方面研究較少，但有關(guān)機(jī)器學(xué)習(xí)的理論及應(yīng)用較為豐富，本文將利用機(jī)器學(xué)習(xí)確定應(yīng)急藥品實(shí)際需求數(shù)量和應(yīng)急藥品儲備需求量。

3 機(jī)器學(xué)習(xí)及其應(yīng)用國內(nèi)外研究現(xiàn)狀

為了有效降低庫存管理中涉及的各種成本，提前進(jìn)行需求預(yù)測是其過程中十分關(guān)鍵的一個環(huán)節(jié)，需求作為整個周轉(zhuǎn)鏈條的基礎(chǔ)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(xì)致準(zhǔn)確地控制對應(yīng)環(huán)節(jié)的部署，而通過明確需求的影響因素及其可能出現(xiàn)的結(jié)果有利于提高預(yù)測的有效性和準(zhǔn)確性，達(dá)到庫存管理的優(yōu)化和供應(yīng)鏈輔助決策的目的。隨著科技的不斷發(fā)展，大數(shù)據(jù)逐步滲透到各行各業(yè)并日趨豐富的背景下，機(jī)器學(xué)習(xí)相關(guān)的需求預(yù)測方法逐漸成為研究的主要熱點(diǎn)。通過機(jī)器學(xué)習(xí)算法構(gòu)建的需求預(yù)測模型能夠確定并模擬歷史數(shù)據(jù)規(guī)律，從而準(zhǔn)確預(yù)測實(shí)際需求來削弱庫存的不確定性和采購的盲目性，提高醫(yī)院對于突發(fā)需求變化的應(yīng)對速度，降低因需求信息不明帶來的供應(yīng)不足風(fēng)險或囤積風(fēng)險[4]。目前研究的較為廣泛的機(jī)器學(xué)習(xí)算法主要有：k 近鄰、決策樹、支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等，k 近鄰算法作為在機(jī)器學(xué)習(xí)算法中較為基礎(chǔ)的技術(shù)，已經(jīng)廣泛地應(yīng)用于眾多領(lǐng)域的相關(guān)研究中，該算法根據(jù)局部數(shù)據(jù)建立模型，再利用實(shí)際數(shù)據(jù)訓(xùn)練模型，進(jìn)行學(xué)習(xí)。由于k近鄰算法的結(jié)構(gòu)限制，當(dāng)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之間的度量距離較小或者具有相似性時，模型的準(zhǔn)確性較高，同時還要參照訓(xùn)練數(shù)據(jù)并利用分類函數(shù)對需要測試的數(shù)據(jù)進(jìn)行分類預(yù)測，其過程較為復(fù)雜。決策樹的結(jié)構(gòu)狀似一棵倒樹，主要由根節(jié)點(diǎn)、內(nèi)節(jié)點(diǎn)、葉節(jié)點(diǎn)和邊組成。根節(jié)點(diǎn)是最上層的結(jié)點(diǎn)，葉節(jié)點(diǎn)是得出對應(yīng)判斷結(jié)論的節(jié)點(diǎn)，內(nèi)部節(jié)點(diǎn)用于區(qū)分其他節(jié)點(diǎn)。決策樹算法的計算規(guī)?；旧喜淮?，無論數(shù)據(jù)量的規(guī)模大小，模型都可以較快地完成構(gòu)建，該算法相較于其他算法在應(yīng)對噪聲數(shù)據(jù)時的魯棒性方面，具有較為明顯的優(yōu)勢。支持向量機(jī)的原理是利用對偶拉格朗日函數(shù)推導(dǎo)得出全局最優(yōu)解，因此其模型具有扎實(shí)嚴(yán)謹(jǐn)?shù)慕y(tǒng)計理論基礎(chǔ)，但在模型運(yùn)行后得出的結(jié)果中，可能會由于凸優(yōu)化問題得到局部而非整體的最優(yōu)值，從而導(dǎo)致結(jié)果的誤差較大，預(yù)測的有效性較差。隨機(jī)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(dú)立的，所以隨機(jī)森林既可以處理連續(xù)變量，也可以處理離散變量。隨機(jī)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(zhǔn)確性也能夠保持在很高的水準(zhǔn)，同時可以處理很多變量的數(shù)據(jù)，但訓(xùn)練所需要的數(shù)據(jù)規(guī)模較大。人工神經(jīng)網(wǎng)絡(luò)模型在20 世紀(jì)80 年代中期開始建立，其依據(jù)的原始主體是人類大腦的神經(jīng)系統(tǒng)，其中包含了許多并行進(jìn)行的計算和根據(jù)對應(yīng)規(guī)律層次完成排列組合的簡單功能單元，因此具有很強(qiáng)的自組織、自適應(yīng)和容錯能力等特征，其主要優(yōu)勢體現(xiàn)在處理非線性問題上。到了20 世紀(jì)90 年代初，許多研究人員開始嘗試將神經(jīng)網(wǎng)絡(luò)融入需求預(yù)測中，自Bernhard E.Bose和Bladimir N.Vapnik二人改進(jìn)的SVM（支持向量機(jī)）應(yīng)用于需求預(yù)測以來，關(guān)于需求預(yù)測的各方面的研究內(nèi)容逐漸細(xì)化，研究深度持續(xù)延伸，研究方向愈加豐富，不再只利用單一模型完成預(yù)測，而是發(fā)展為單一與組合模型聯(lián)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(jī)森林需求預(yù)測模型，利用了240 組醫(yī)療器械的需求數(shù)據(jù)進(jìn)行訓(xùn)練，該研究通過改進(jìn)Adaboost 方法并結(jié)合隨機(jī)森林算法，同時在算法的有效性和預(yù)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(bǔ)特征的神經(jīng)網(wǎng)絡(luò)預(yù)測方法（BP 神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)），考慮了藥品需求的歷史數(shù)據(jù)在較短時間內(nèi)波動較大的情況，利用神經(jīng)網(wǎng)絡(luò)在其主要測試方面的優(yōu)勢，建立了藥品需求組合預(yù)測模型，通過該模型進(jìn)行預(yù)測后，可以較為精準(zhǔn)的模擬出藥品在一段時間內(nèi)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(yīng)精度，構(gòu)建了相關(guān)的需求預(yù)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(diǎn)的反向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行模型的構(gòu)建，該模型通過多種因素驗證預(yù)測的有效性和精確度[8]。目前國內(nèi)外學(xué)者主要研究并應(yīng)用到各方面的單一的預(yù)測模型有：馬爾科夫預(yù)測模型、灰色預(yù)測模型、支持向量回歸機(jī)預(yù)測模型、神經(jīng)網(wǎng)絡(luò)預(yù)測模型等，而組合預(yù)測模型有：主成分分析與BP 神經(jīng)網(wǎng)絡(luò)融合模型、LM 算法和BP 網(wǎng)絡(luò)模型結(jié)合的預(yù)測模型、共軛梯度與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型等。相對于單一預(yù)測模型，組合模預(yù)測模型幾乎囊括了大部分單一預(yù)測模型的主要優(yōu)勢，因此其預(yù)測結(jié)果更全面、更系統(tǒng)、更科學(xué)。

4 醫(yī)院應(yīng)急藥品庫存管理優(yōu)化研究

本文以某醫(yī)院為調(diào)查對象，著重研究應(yīng)急藥品在院內(nèi)的儲備和流通過程，通過使用HIS 管理系統(tǒng)，了解醫(yī)院藥庫中應(yīng)急藥品的日常管理操作及相關(guān)的數(shù)據(jù)庫結(jié)構(gòu)并從中提取所需數(shù)據(jù)。數(shù)據(jù)主要包括：應(yīng)急藥品名稱、庫存量、庫存金額、銷售量、銷售金額、缺貨次數(shù)、缺貨量、訂購次數(shù)、單次訂購數(shù)量等，應(yīng)用到各指標(biāo)的公式如下：

具體采集數(shù)據(jù)涉及的應(yīng)急藥品種類以應(yīng)急藥品目錄清單為范圍，本文通過相關(guān)文獻(xiàn)整理，參考以往出現(xiàn)應(yīng)急突發(fā)事件時，使用的較為普遍且大量消耗的藥品，統(tǒng)計種類并進(jìn)行分類，逐一列表后結(jié)合實(shí)地調(diào)研，得出一份應(yīng)急藥品目錄，為保證該目錄具有應(yīng)用的普遍性，其中所列應(yīng)急藥品應(yīng)與多類突發(fā)事件均有較大相關(guān)性。研究中主要涉及的應(yīng)急藥品的最低儲備量，即應(yīng)急藥品供應(yīng)標(biāo)準(zhǔn)結(jié)合當(dāng)?shù)卣呒拔墨I(xiàn)提供的歷史數(shù)據(jù)后確定。完成數(shù)據(jù)采集及整理后，根據(jù)已有歷史數(shù)據(jù)中某一季度的信息，再選取多個單項預(yù)測模型，進(jìn)行下一季度的單項預(yù)測，例如：預(yù)測季度應(yīng)急藥品銷售量、預(yù)測季度應(yīng)急藥品缺貨量等，將單項預(yù)測結(jié)果與實(shí)際歷史數(shù)據(jù)進(jìn)行對比，計算預(yù)測誤差，再根據(jù)已有數(shù)據(jù)特征和誤差分析選取兩個模型，構(gòu)建組合預(yù)測模型，調(diào)整權(quán)重后再進(jìn)行與之前相同的單項預(yù)測，得出相對誤差后進(jìn)行組合預(yù)測和變權(quán)處理，同時為了提高模型的預(yù)測精度，再引入預(yù)測有效度進(jìn)行綜合評價，預(yù)測有效度越大，則預(yù)測精度越高，最后將預(yù)測結(jié)果與實(shí)際數(shù)據(jù)進(jìn)行比照來確定模型的有效性及穩(wěn)定性，確定模型預(yù)測有效且穩(wěn)定后，根據(jù)預(yù)測結(jié)果調(diào)整應(yīng)急藥品的庫存管理的各項指標(biāo)，提出優(yōu)化后庫存管理模式，在保證應(yīng)急藥品儲備充足的基礎(chǔ)上降低庫存成本，并高效地進(jìn)行市場流通。

通過對我國目前醫(yī)院應(yīng)急藥品庫存管理研究現(xiàn)狀的分析，結(jié)合基于機(jī)器學(xué)習(xí)的預(yù)測模型的學(xué)習(xí)與應(yīng)用，在基本確定有代表性的應(yīng)急藥品種類后，將機(jī)器學(xué)習(xí)應(yīng)用到此研究中，以保證應(yīng)急儲備和降低成本為總目標(biāo)，構(gòu)建多種應(yīng)急藥品季度需求預(yù)測模型，運(yùn)用具體實(shí)例進(jìn)行預(yù)測結(jié)果檢驗，獲得更符合市場期望及醫(yī)院應(yīng)急反應(yīng)能力要求的庫存儲備及周轉(zhuǎn)的條件，優(yōu)化后的結(jié)果提高了醫(yī)院面對突發(fā)事件的應(yīng)變能力和市場競爭力，有助于加速我國應(yīng)急藥品儲備管理體系的發(fā)展。