[論文レビュー] Demand Forecasting for Platelet Usage: from Univariate Time Series to Multivariate Models

Maryam Motamedi, Dawson, Jessica+3 more|arXiv (Cornell University)|Jan 6, 2021

Blood donation and transfusion practices被引用数 7

ひとこと要約

本研究では、カナダ血液サービスにおけるパルスレット使用の多次元需要予測フレームワークを提案する。臨床予測子（例：患者の検査結果、人口統計学的要因）と時系列データを統合し、ARIMA、Prophet、lasso回帰、ランダムフォレスト、LSTMモデルを用いて予測を行う。結果として、多次元モデルは特にデータが限られる状況でも予測精度を著しく向上させる。一方、十分な歴史的データがある場合には単変量モデルも効果的であり、血液供給チェーンにおける無駄と不足の削減に役立つ実用的インサイトを提供する。

ABSTRACT

Platelet products are both expensive and have very short shelf lives. As usage rates for platelets are highly variable, the effective management of platelet demand and supply is very important yet challenging. The primary goal of this paper is to present an efficient forecasting model for platelet demand at Canadian Blood Services (CBS). To accomplish this goal, four different demand forecasting methods, ARIMA (Auto Regressive Moving Average), Prophet, lasso regression (least absolute shrinkage and selection operator) and LSTM (Long Short-Term Memory) networks are utilized and evaluated. We use a large clinical dataset for a centralized blood distribution centre for four hospitals in Hamilton, Ontario, spanning from 2010 to 2018 and consisting of daily platelet transfusions along with information such as the product specifications, the recipients' characteristics, and the recipients' laboratory test results. This study is the first to utilize different methods from statistical time series models to data-driven regression and a machine learning technique for platelet transfusion using clinical predictors and with different amounts of data. We find that the multivariate approaches have the highest accuracy in general, however, if sufficient data are available, a simpler time series approach such as ARIMA appears to be sufficient. We also comment on the approach to choose clinical indicators (inputs) for the multivariate models.

研究の動機と目的

• 血液供給チェーンにおけるパルスレット需要の変動が著しく、保管期限が短い（3–5日）という課題に対処する。
• 現在9–15％の無駄となっている状況と、全注文の14％を占める緊急の同日注文を削減する。
• 過去の需要以外の臨床予測子を統合することで、需要予測の精度を向上させる。
• 実世界の臨床データを用いて、単変量（ARIMA、Prophet）と多次元（lasso、ランダムフォレスト、LSTM）モデルの性能を評価する。
• 透明性があり、データ駆動型の予測システムを構築し、病院および血液供給業者における在庫およびリソース計画を支援する。

提案手法

• 2010–2018年の4つのハミルトン病院で実施された61,377件のパルスレット輸血の大型臨床データセットを活用する。
• 歴史的需要パターンにのみ依存する単変量時系列モデル（ARIMA、Prophet）を適用する。
• 臨床予測子（検査結果、患者の人口統計学的要因、病院固有要因など）を用いた多次元モデル（lasso回帰、ランダムフォレスト、LSTM）を実装する。
• 時間的期間に跨るモデル性能の評価のため、ローリングウインドウ交差検証法を用いる。
• lasso回帰による特徴選択を組み込むことで、深層学習モデルの入力品質と解釈可能性を向上させる。
• 予測精度の評価のため、MAE、RMSE、MAPEの指標を用いてモデル性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 臨床予測子を統合した多次元モデルは、単変量時系列モデルに比べてパルスレット需要予測においてどのように異なるか？
• RQ2 データ量が単変量モデルと多次元モデルの性能に与える影響は何か？
• RQ3 どの臨床予測子がパルスレット需要に顕著に影響を与え、効果的に選択・統合できるか？
• RQ4 ピーク需要時における予測誤差の低減度合いについて、多次元モデルは単変量アプローチに比べてどの程度優れているか？
• RQ5 臨床データの統合により、血液供給業者と病院間の透明性および連携がどの程度向上するか？

主な発見

• データが限られる状況では、lasso回帰、ランダムフォレスト、LSTMといった多次元モデルが、ARIMA、Prophetといった単変量モデルを一貫して上回る。特に複雑な需要パターンの捉え込みに優れている。
• 十分な歴史的データがある場合には、ARIMAのような単変量モデルが多次元モデルと同等またはより高い精度を達成しており、一般化可能性と効率性が示されている。
• 臨床予測子の統合により、患者の状態や病院の立地といった非線形な依存関係や文脈的要因を捉えることができ、予測精度が著しく向上する。
• すべてのモデルがピーク需要の低予測に苦しんでいるため、後処理による補正や最適化に基づく注文ポリシーの導入が求められる。
• lasso回帰は特徴選択を改善し、LSTMのような複雑なモデルの入力品質を向上させるため、前処理段階での価値が示唆される。
• 本研究は、臨床データを予測に統合することで、無駄や緊急注文といった供給チェーンの非効率を改善できることを示しており、需要の透明性と計画の質が向上する。