Clustering-based demand forecasting with an application to immunoglobulin products
Notice bibliographique
Résumé
Efficient healthcare supply chain management can benefit greatly from accurate demand forecasting, which can help reduce costs and prevent patient treatment delays. This is particularly challenging for demand forecasting for the human immunoglobulin blood product stored in hospital blood banks due to the diverse patient population and therapeutic applications. Our study proposes an iterative clustering-based demand forecasting framework to address this issue. We cluster patients based on domain knowledge and demand pattern characteristics using the robust and sparse K-means algorithm. We then employ time-series analysis techniques to forecast demand for each cluster, aggregate the forecasts, and evaluate the performance. The potential variables affecting the clustering and forecasting results are identified to make this process iterative and to find the best clustering scheme based on forecast performance. For example, the optimal number of clusters, K , in a K-means algorithm is unknown. Therefore, we choose K to optimize the forecast performance. Clustering algorithms can also be sensitive to feature selection, so using an extension of K-means with weighted features, the bound on feature weights is included as an unknown input variable in the iterative process. We further enhance the forecasting model by incorporating individual patient-level predictions from the cluster identified with extended treatment plans, which contains patients with more data points and better individual predictability. The proposed framework outperforms baseline ARIMA and LSTM network models trained on aggregate demand data. Moreover, the results show improved performance as data size increases.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».