From demand forecasting to inventory ordering decisions for red blood cells through integrating machine learning, statistical modeling, and inventory optimization
Notice bibliographique
Résumé
BACKGROUND: The demand and supply of blood are highly variable over time. Blood inventory management that relies heavily on experience-based decisions may not be adaptive to real demand, leading to high operational costs, wastage, and shortages. METHODS: We combined statistical modeling, machine learning, and optimization methods to develop a data-driven demand forecasting and inventory management strategy for red blood cells (RBCs). We then used the strategy to inform daily blood orders. A secondary semi-weekly (twice per week) ordering strategy was developed to handle the last-mile split delivery problem for blood suppliers, characterized by multi-deliveries to the same location multiple times during a short period of time. Both strategies were evaluated using the TRUST database including all patient data across four hospitals in Hamilton, Ontario. RESULTS: We identified 227,944 RBC transfusions for 40,787 patients in Hamilton, Ontario from 2012 to 2018. The predicted daily demand from the hybrid demand forecasting model was not significantly different from the actual daily demand (paired t-test p-value = 0.163); however, the proposed daily ordering quantity from the model was significantly lower than the actual ordering quantity (p-value <0.001). The proposed daily ordering strategy reduced inventory levels by 38.4% without risk of shortages, leading to an overall cost reduction of 43.0% (95% confidence interval [CI]: 42.3%, 43.7%) compared with the actual cost. The semi-weekly ordering strategy reduced ordering frequency by 62.6% (95% CI: 61.5%, 63.7%). CONCLUSION: The proposed data-driven ordering strategy combining demand forecasting and inventory optimization can achieve significant cost savings for healthcare systems and blood suppliers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».