[논문 리뷰] Demand Forecasting for Platelet Usage: from Univariate Time Series to Multivariate Models

Maryam Motamedi, Dawson, Jessica외 3명|arXiv (Cornell University)|2021. 01. 06.

Blood donation and transfusion practices인용 수 7

한 줄 요약

이 연구는 캐나다 혈액 서비스에서 혈소판 사용에 대한 다변량 수요 예측 프레임워크를 제안하며, 임상 예측 변수(예: 환자 검사 결과, 인구통계학적 정보)와 시계열 데이터를 ARIMA, Prophet, 라소 회귀, 랜덤 포레스트, LSTM 모델을 사용하여 통합한다. 결과적으로 다변량 모델은 데이터가 제한된 경우에도 예측 정확도를 크게 향상시키며, 특히 제한된 데이터 상황에서 뛰어난 성능을 보이며, 단변량 모델은 충분한 역사적 데이터가 있는 경우에도 효과적임을 보여주어 혈액 공급망의 낭비와 부족을 줄이는 데 실질적인 통찰을 제공한다.

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.

연구 동기 및 목표

• 혈액 공급망에서 매우 변동성이 크고 유통기한이 짧은(3–5일) 혈소판 수요의 도전 과제를 해결한다.
• 현재 9–15%에 이르는 낭비와 전체 주문의 14%를 차지하는 급한 당일 주문을 줄인다.
• 과거 수요 외에도 임상 예측 변수를 통합함으로써 수요 예측 정확도를 향상시킨다.
• 실제 임상 데이터를 바탕으로 단변량(ARIMA, Prophet)과 다변량(라소, 랜덤 포레스트, LSTM) 모델의 성능을 평가한다.
• 병원과 혈액 공급자 간의 재고 및 자원 계획을 지원하기 위해 투명하고 데이터 기반의 예측 시스템을 개발한다.

제안 방법

• 2010–2018년 동안 토론토의 네 곳의 헬름스턴 병원에서 이루어진 61,377건의 혈소판 수혈 임상 데이터셋을 활용한다.
• 과거 수요 패턴에만 의존하는 단변량 시계열 모델(ARIMA, Prophet)을 적용한다.
• 검사 결과, 환자 인구통계학적 정보, 병원 특성 등의 임상 예측 변수를 사용하는 다변량 모델(라소 회귀, 랜덤 포레스트, LSTM)을 구현한다.
• 시간에 따라 모델 성능을 평가하기 위해 윈도우 기반 롤링 교차검증 방법을 사용한다.
• 딥러닝 모델의 해석 가능성과 입력 품질 향상을 위해 라소 회귀를 통한 특성 선택을 통합한다.
• 예측 정확도 평가를 위해 MAE, RMSE, MAPE 지표를 사용하여 모델 성능을 비교한다.

실험 결과

연구 질문

• RQ1 임상 예측 변수를 통합한 다변량 모델은 단변량 시계열 모델에 비해 혈소판 수요 예측에서 어떻게 비교되는가?
• RQ2 데이터 양이 단변량 모델과 다변량 모델의 성능에 미치는 영향은 무엇인가?
• RQ3 어떤 임상 예측 변수가 혈소판 수요에 유의미하게 영향을 미치며, 이를 효과적으로 선택하고 예측 모델에 통합할 수 있는가?
• RQ4 다변량 모델은 단변량 접근 방식에 비해 수요 정점 시기의 예측 오차를 얼마나 줄일 수 있는가?
• RQ5 임상 데이터의 통합은 혈액 공급자와 병원 간 공급망의 투명성과 협업을 얼마나 향상시킬 수 있는가?

주요 결과

• 데이터가 제한된 경우, 다변량 모델(라소 회귀, 랜덤 포레스트, LSTM)은 단변량 모델(ARIMA, Prophet)보다 일관되게 뛰어난 성능을 보이며, 특히 복잡한 수요 패턴을 잘 포착한다.
• 역사적 데이터가 충분히 확보된 경우, ARIMA와 같은 단변량 모델도 다변량 모델과 유사하거나 더 높은 정확도를 달성함을 확인하여 일반화 가능성과 효율성을 입증한다.
• 임상 예측 변수의 통합은 비선형적 종속성과 환자 상태, 병원 위치 등의 맥락적 요인을 반영함으로써 수요 예측 정확도를 크게 향상시킨다.
• 모든 모델이 정점 수요를 과소평가하는 경향을 보이며, 이는 사후 조정 또는 최적화 기반 주문 정책이 필요함을 시사한다.
• 라소 회귀는 특성 선택을 향상시키고 딥러닝 모델의 입력 품질을 향상시켜, LSTM과 같은 복잡한 모델의 전처리 단계에서 중요한 가치를 지닌다.
• 본 연구는 임상 데이터의 통합이 수요 투명성과 계획 수립을 향상시켜 공급망의 비효율성, 즉 낭비와 급한 주문을 줄일 수 있음을 입증한다.