Demand Forecasting for Platelet Usage: from Univariate Time Series to\n Multivariate Models
Notice bibliographique
Résumé
Platelet products are both expensive and have very short shelf lives. As\nusage rates for platelets are highly variable, the effective management of\nplatelet demand and supply is very important yet challenging. The primary goal\nof this paper is to present an efficient forecasting model for platelet demand\nat Canadian Blood Services (CBS). To accomplish this goal, four different\ndemand forecasting methods, ARIMA (Auto Regressive Moving Average), Prophet,\nlasso regression (least absolute shrinkage and selection operator) and LSTM\n(Long Short-Term Memory) networks are utilized and evaluated. We use a large\nclinical dataset for a centralized blood distribution centre for four hospitals\nin Hamilton, Ontario, spanning from 2010 to 2018 and consisting of daily\nplatelet transfusions along with information such as the product\nspecifications, the recipients' characteristics, and the recipients' laboratory\ntest results. This study is the first to utilize different methods from\nstatistical time series models to data-driven regression and a machine learning\ntechnique for platelet transfusion using clinical predictors and with different\namounts of data. We find that the multivariate approaches have the highest\naccuracy in general, however, if sufficient data are available, a simpler time\nseries approach such as ARIMA appears to be sufficient. We also comment on the\napproach to choose clinical indicators (inputs) for the multivariate models.\n
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».