استفاده از روشهای یادگیری ماشین در کاهش عدم قطعیت زنجیره تامین در حوزه سلامت و پزشکی

با وجود تلاش‌های سازمان جهانی بهداشت، انتقال خون و تحویل آن همچنان از چالش‌های اساسی در مدیریت زنجیره تامین خون، به‌ویژه در شرایطی با تقاضای بالا و موجودی ناکافی، محسوب می‌شود. بر این اساس، کاهش عدم قطعیت در تقاضای خون، کاهش هدررفت و رفع کمبود آن به یکی از اهداف کلیدی تبدیل شده است. در این مقاله، یک رویکرد پلتفرم‌محور هوشمند برای ایجاد یک زنجیره تامین خون مقاوم ارائه می‌شود که قادر است با پیش‌بینی میزان جمع‌آوری و تقاضای خون، عدم قطعیت تقاضا را کاهش دهد و همچنین از طریق ایجاد تعادل بین جمع‌آوری و توزیع خون بر پایه مدیریت موثر موجودی، به کاهش هدررفت و کمبود خون کمک کند. برای توسعه این سامانه هوشمند پشتیبان تصمیم‌گیری، از الگوریتم‌های یادگیری ماشین و مدل‌های پیش‌بینی سری‌زمانی بهره گرفته شده است. پیاده‌سازی این سیستم منجر به بهبودهای قابل توجهی از جمله کاهش کمبود و هدررفت خون شده است. راهکار ارائه‌شده، پیش‌بینی‌های دقیق و قابل اعتمادی ارائه می‌دهد و همچنین پیش‌بین‌کننده‌های بالینی موثر در پیش‌بینی تقاضای خون را شناسایی می‌کند. در مقایسه با داده‌های تاریخی سال گذشته، سامانه یکپارچه پیشنهادی موجب افزایش 11 درصدی در حجم خون‌های جمع‌آوری‌شده، کاهش 20 درصدی در هدررفت موجودی و کاهش چشمگیر در بروز کمبود شده است.

using machine learning methods to reduce supply chain uncertainty in the health and medical field

despite the efforts of the world health organization, blood transfusion and delivery remain major challenges in blood supply chain management, especially in situations of high demand and insufficient inventory. accordingly, reducing uncertainty in blood demand, reducing wastage, and eliminating shortages have become key objectives. in this paper, an intelligent platform-based approach is presented to create a resilient blood supply chain that can reduce demand uncertainty by predicting blood collection and demand, and also help reduce blood wastage and shortages by balancing blood collection and distribution based on effective inventory management. machine learning algorithms and time series forecasting models have been used to develop this intelligent decision support system. the implementation of this system has led to significant improvements, including reducing blood shortages and wastage. the proposed solution provides accurate and reliable forecasts and also identifies effective clinical predictors in predicting blood demand. compared to historical data from last year, the proposed integrated system has resulted in an 11% increase in blood volume collected, a 20% reduction in inventory waste, and a significant reduction in shortages.