張智勇 吳宣達

華南理工大學電子商務學院

引言

高值醫(yī)用耗材是直接作用于人體、風險高、對安全管理方面有嚴格要求且價值相對較高的醫(yī)用耗材[1]。醫(yī)療機構進行醫(yī)療耗材管理時，較為常見的方式是根據(jù)醫(yī)療耗材單位價值的高低，將醫(yī)療耗材分為高值耗材和低值耗材，采用不同的管理流程[2]。以往對高值耗材的需求預測通常采用時間序列預測法、季節(jié)指數(shù)平滑指數(shù)模型和ARIMA預測模型，近期有學者使用神經網絡[3]進行預測分析。這些預測方法本身存在一定的局限性。

時間序列預測法、季節(jié)指數(shù)平滑法以及ARIMA預測模型是[4]根據(jù)變量自身過去的變化規(guī)律預測未來的變化。這些方法要求時間序列具有穩(wěn)定的變化趨勢，對于不確定需求的預測的可信度較差。神經網絡法[5]需要考慮預測對象自身的多個數(shù)字屬性進行分析，而在實際情況中，高值耗材供應商關于高值耗材數(shù)據(jù)中數(shù)字型屬性通常較少，不滿足高值耗材領域預測需求。

本文對高值耗材領域進行分析，基于實際需求手術包商品組合的特點，使用關聯(lián)分析挖掘商品組合，并根據(jù)商品組合特點對特定高值耗材銷量進行預測分析。

一、使用Apriori算法挖掘商品組合

（一）Apriori算法思想

Apriori算法是常用的關聯(lián)規(guī)則算法，是一種通過逐層搜索實現(xiàn)的迭代方法。其核心思想通過迭代產生候選項集，再通過對候選項進行剪枝產生頻繁項集。

給定一數(shù)據(jù)集I={i1，i2，…，id}為購物籃數(shù)據(jù)中所有項的集合，而T={t1，t2，…，tN}是所有事務的集合。每個事務ti包含的項集都是I的子集。令Ck為候選k-項集的集合，而Fk為頻繁k-項集的集合，Ck中的每個元素需在交易數(shù)據(jù)庫中根據(jù)其是否滿足給定的最小支持度來決定其是否可以加入LK，然后遵循下圖算法操作。

圖1 Apriori算法思想

（二）迭代過程需要設置的算法

商品組合挖掘的迭代過程中需要設置的算法：

（1）規(guī)則置信度XYC→。表示在出現(xiàn)X的條件下出現(xiàn)Y的概率。規(guī)則置信度高，則表示Y關于X的條件概率高，規(guī)則的可信度高。其數(shù)學表達式為：

（2）規(guī)則支持度XYS→。表示X、Y同時出現(xiàn)的概率。以丨T丨表示總事務數(shù)，其數(shù)學表達式為：

（3）頻繁項集B（A）。指包含項目A的項集B，其支持度大于設定的最小支持度，即

（三）參數(shù)設置1.最小置信度

本文使用控制變 量法進行合理設置。若設置最小置信度過高，會導致商品關聯(lián)組合為常規(guī)組合，組合中商品數(shù)目過小，不利于進行關聯(lián)分析。若最小置信度過小，會導致商品關聯(lián)組合將相關度不高的商品也輸出到商品組合中，導致組合中商品數(shù)目過大，不利于進行關聯(lián)分析，同時也會大大增加了信息搜尋成本，給之后的預測算法的設置增加難度。

2.組合組數(shù)的設置

設定最小置信度后，實驗取其中商品組合中數(shù)目最多的組合來進行預測，因為在一定的關聯(lián)度規(guī)則中，關聯(lián)信息越多，預測精度就越準確。

二、基于商品組合的高值耗材需求預測

（一）高值耗材銷售流程

通過實地考察和對相關專業(yè)人員的咨詢發(fā)現(xiàn)，高值醫(yī)用耗材銷售物流與傳統(tǒng)商品物流有所不同，通常有正向物流和逆向物流兩個過程。當醫(yī)院需要進行手術，醫(yī)院方會將需求發(fā)送給醫(yī)院代表或相關聯(lián)系人。醫(yī)院代表或相關聯(lián)系人根據(jù)需求制作訂單并將訂單發(fā)送給供應商。供應商根據(jù)訂單需求進行緊急備貨并打包成手術包進行配送。醫(yī)院方消耗手術包中部分醫(yī)療器械，在手術完成后將經過部分消耗的手術包返還給供應商。

手術包本身即為商品組合（見圖2）。正向物流的手術包是基于歷史銷售訂單來進行備貨的，而通過分析逆向物流的手術包可以挖掘高值醫(yī)用耗材實際消耗情況。本文針對高值耗材的商品特性，通過正向物流和逆向物流兩個方面進行需求預測分析。

圖2 醫(yī)用高值耗材銷售過程

（二）指標選擇

商品組合中商品間存在關聯(lián)性，以其中一個商品作為預測的對象，以其他的商品銷售數(shù)據(jù)作為預測對象的銷量影響因子，得出預測對象預測結果。

設關聯(lián)分析后商品組合為F={x1，x2，x3，…，xn}，第i個商品銷售數(shù)據(jù)為Dxi={d1，d2，…，dm}，指定xj作為預測對象，以{d1，d2，d3，…，dj-1，dj+1，…dm}作為輸入變量，以dj作為輸出變量，使用相關算法進行預測分析（見圖3）。

圖3 商品組合預測

（三）損失函數(shù)選取

本文分別使用簡單線性回歸、多元線性回歸和BP神經網絡對商品組合銷量進行預測分析。取損失函數(shù)作為衡量預測結果好壞的依據(jù)。本文設置銷量預測的損失函數(shù)為Lquad（f（x）-y）=（f（x）-y）2，對應于在最小平方誤差標準ESS。

三、實例分析

（一）數(shù)據(jù)說明

本研究選取實際深圳市某醫(yī)藥供應商2021年1月—10月醫(yī)用高值耗材歷史銷售訂單數(shù)據(jù)進行數(shù)據(jù)分析，其中包含歷史銷售訂單5043份（其中同一個訂單有借出和歸還兩種操作），借出或歸還銷售記錄共91700條，包含醫(yī)用物料378種，商品編碼類型2108種（見表1）。

表1 醫(yī)用高值耗材歷史銷售記錄原始數(shù)據(jù)類型

（二）具體分析

基于商品組合的高值耗材需求預測的步驟為：

（1）對銷售歷史數(shù)據(jù)進行分析處理?；谡嫦蛭锪鲗⒉僮鞣謩e為借出和歸還的訂單分類整理，并以物料名稱屬性作為鍵進行區(qū)分，最后再以“月”為單位，對每種醫(yī)用物料的銷售日期進行處理；

（2）對處理后歷史銷售訂單信息中的高值耗材組合進行分析，使用Apriori算法挖掘高值耗材組合中的關聯(lián)性，并根據(jù)關聯(lián)性挖掘提取新的商品組合。

（3）基于挖掘出的商品組合，指定組合中一種高值耗材作為分析對象，運用相關算法（多元線性回歸、BP神經網絡）進行需求預測分析；

（4）對預測結果進行分析，并利用預測樣本對高值耗材商品未來銷量進行預測。本文分別用普通線性回歸方法、多元回歸方法和BP神經網絡方法對某醫(yī)藥企業(yè)某一類高值耗材的銷售量進行預測，并將三者預測結果進行比較（見圖3）。

在正向商品組合中，使用線性回歸的回歸平方誤差ESS為27547.89096，使用多元線性回歸的ESS為5917.228894，而使用神經網絡的ESS為3470。

在逆向商品組合中，使用線性回歸的回歸平方誤差ESS為4205503.194，使用多元線性回歸的ESS為22716.42768，而使用神經網絡的ESS為19477。

圖4 正向物流商品組合預測

圖5 逆向物流商品組合預測

無論是正向物流商品組合和逆向物流商品組合，神經網絡方法的預測精度最佳、而多元線性回歸方法的預測精度次之，而普通線性回歸方法的預測精度最差。

結語

醫(yī)用高值耗材本身具有附加價值高、商品時效性強、需求不確定性明顯等特點，因此對醫(yī)用高值耗材的管理及需求預測成為急需研究的問題。Apriori算法是常用的關聯(lián)規(guī)則算法，其使用基于支持度的剪枝技術從數(shù)據(jù)集中有價值的數(shù)據(jù)組合，通過設置適當?shù)闹С侄龋梢詫Ω咧岛牟氖中g包的組合進行優(yōu)化。而實例證明，基于數(shù)據(jù)組合對單一高值耗材進行銷量需求預測時，神經網絡方法表現(xiàn)優(yōu)于多元線性回歸方法，多元線性回歸方法優(yōu)于普通線性回歸方法。后續(xù)可嘗試將本文的研究成果推廣到其他類型醫(yī)用耗材的庫存管理與采購策略制定中，以此優(yōu)化醫(yī)用耗材供應商、分銷商以及醫(yī)院的庫存管理，在一定程度上減少不必要囤積或缺貨現(xiàn)象的發(fā)生，從而降低各個節(jié)點的運營成本，為醫(yī)院精細化管理提供科學的數(shù)據(jù)支撐。