医疗机构数字化的相关研究

对医疗卫生领域供应链数字化管理问题的研究最早主要着眼于医用物资的补货策略，Durham等在20世纪70年代提出运用订货点订货法处理医用物资的补给问题，在医疗物资的库存量消耗到订货点时再发送订单，这类方法在早期医用物资粗放式管理的环境下对于解决需求随机的医疗物资库存问题具有较好的效果。Liew（1984）等在此基础上进一步优化，提出了系统性的医用物资管理系统，通过耗材分类、订货量、订货点等方面的优化降低医用物资的物流成本。随着社会和经济的发展，20世纪90年代的物流管理理论也逐渐得到了丰富和发展，部分学者开始将以供应链管理为代表的先进的物流管理思想引入到医疗领域中，通过与供应商合作、业务流程重组等方法研究医疗供应链的效率和成本的优化。

医用物资需求不确定的特点是医疗供应链库存成本高居不下的主要原因，众多学者指出医用物资需求的不确定主要是由于患者就医（包括患者就医规律、个体特征和病情的复杂性等）的难以预测性。但是，由于医院与供应商的供货协议一般都是建立在较小供货量的基础上，为了保证医院的临床需求，准确地对需求进行预测对于医院采购管理者来说至关重要。Haavik（2000）提出了医院与供应商共享需求信息，如实行供应商管理库存（vendor-managed inventory，VMI）模式来实行需求预测和采购订单制定。针对医疗物资的预测方法研究，目前的研究包括时间序列预测技术、数据挖掘技术和智能算法技术等方面。

在时间序列预测技术方面，邓险锋（2012）针对医院的注射器的库存需求预测问题，提出了基于季节指数平滑法和ARIMA法的联合预测模型，结果显示该预测模型较单独的预测方法能得到更好的预测效果。周颖等（2013）考虑到单项预测模型预测的局限性，将二次平滑指数模型和灰色系统模型结合在一起建立了医疗物资组合预测模型，对比各类模型的预测效果后发现组合预测模型在误差减小方面有一定的优势。(https://www.daowen.com)

在数据挖掘技术方面，Ramos等（2016）利用数据挖掘技术对与药品需求相关的变量进行分析，并依此建立了较为准确的药品需求预测模型，该模型可将预测误差降低到5.78%以下。Ghousi等（2012）为预测不同类别药物的需求情况，采用关联规则和预测算法相结合的数据挖掘技术对药品使用数据特征进行了分析，比较了回归方法、人工神经网络方法和决策树方法在药品预测效果之间的差异。

采用智能算法技术用于基于需求预测的补货问题研究主要体现在遗传算法和神经网络算法等的改进和应用。如Liang等（2006）为降低多级库存供应链总成本、降低牛鞭效应，提出采用遗传算法预测需求量，并依此对各级库存的订货量进行合理安排，结果有效降低了总成本，保证订单曲线的平稳。Jeong等（2002）研究了基于供应链的计算机预测系统，提出采用线性因果预测模型，并采取引导遗传算法（GGA）确定预测模型的系数，GGA采用带有惩罚系数的适应度函数和种群多样性指数克服了算法的早熟收敛；比较分析发现该算法较传统遗传算法和回归分析法具有更好的预测精度。He（2013）针对传统BP神经网络算法预测库存水平收敛速度慢、预测精度低的缺点，提出了一种改进的快速收敛的BP神经网络库存水平预测模型，通过增加误差偏移，推导出新的链传播规则和新的权重公式；在与其他算法的对比中，该模型在库存水平预测收敛速度和预测精度方面得到更好的效果。