Кейс 1. Оптимизация цепочки поставок тромбоцитов в больницы с помощью машинного обучения

Наиболее распространенные компоненты и препараты крови имеют короткий срок хранения. Например, тромбоциты могут храниться всего 5-7 дней. Больницам необходим запас крови различных групп, антигенов и т.д., чтобы они могли удовлетворить потребности пациентов и, в конечном счете, спасти жизни. Обеспечение в каждой больнице постоянного запаса необходимых групп крови и в то же время минимизация переизбытка тромбоцитов, срок годности которых может истечь, является сложной проблемой, которая требует понимания поставок, производства, распределения, хранения запасов, логистики и спроса в больницах.

NHS Blood & Transplant, служба крови, донорства и трансплантации органов английской национальной системы здравоохранения, хотела проверить, может ли искуственный интеллект помочь им более эффективно прогнозировать спрос и предложение на компоненты и препараты крови с целью:

- сократить на 50% расходы на Ad Hoc транспортировку тромбоцитов из одного центра в другой;

- сократить сроки годности на 50%.

Для работы над проектом была выбрана компания Kortical. Основанием для этого стал предыдущий успешный опыт работы над другим проектом NHSBT для улучшения прогнозирования времени ожидания донорства почки.

Проект был начат со сбора требований заинтересованных сторон, которые полагаются на точные прогнозы тромбоцитов, а также запуска процессов data governance (стратегии по управлению данными) в трех трастах NHS (организациях, управляющих больницами и госпиталями).

Отправной точкой для машинного обучения было использование данных NHSBT для прогнозирования спроса на все 40 различных препаратов крови в 15 различных распределительных центрах: каждый день ML-модель предсказывает, сколько тромбоцитов будет заказано больницами для каждого препарата крови и каждой единицы хранения запасов. Это было сопряжено с определенными трудностями, поскольку некоторые группы крови довольно редко используются в некоторых небольших распределительных центрах.

Чтобы связать прогнозы спроса и запасов, разработчикам также нужно было спрогнозировать "предложение" тромбоцитов. Донорство тромбоцитов осуществляется населением и производится по предварительной записи. В большинстве случаев сдача по записи соблюдается, но иногда жизнь вносит коррективы. Более того, количество сдаваемых тромбоцитов варьируется от донора к донору. Поэтому прогнозирование предложения с учетом всех этих факторов, встроенных в модель ИИ, так же важно, как и понимание спроса.

Следующая сложность заключается в том, что служба крови NHS не перерабатывает тромбоциты в выходные дни. Это означает, что в эти два дня предложение отсутствует и модель должна учесть создание необходимых запасов.

Для эффективного снижения затрат была рассмотрена полная цепочка поставок тромбоцитов на каждом ее этапе и сделаны следующие шаги:

- использование машинного обучения для прогнозирования того, какие доноры придут на прием, и объема, полученного от этих доноров;

- прогнозирование необходимого спроса по группам крови (-/+), CMV -, аферезу/пулированию для каждого из 15 регионов;

- создание оптимизатора для обработки более 700 тыс. переменных, чтобы обеспечить доставку нужных препаратов крови в нужное место, минимизируя при этом специальные транспортные расходы и затраты;

- создание симулятора для моделирования результатов для проверки результатов до запуска программы, измерения сокращения сроков годности и транспортных расходов, а также для демонстрации того, что обеспечивается высокий уровень полноты поставок;

-создание приложения, с которым команда NHSBT могла бы взаимодействовать, чтобы видеть прогнозируемый спрос, уровни запасов, планы по сбору донорских центров и т.д..

Для прогнозирования спроса был использован анализ временных рядов.

Эти шаги включали в себя:

- очистку и разделение данных на обучающий набор наблюдений до 2019 года и тестовый набор за первые 6 месяцев 2019 года;

- преобразование временных рядов, которые платформа обрабатывает автоматически, выбирая временные характеристики, например, сколько тромбоцитов А было заказано вчера, на прошлой неделе, за последние 4 недели и т.д.;

- автоматическое кодирование, нормализацию, удаление выбросов и т.д.;

- создание таких функций, как отметки для нерабочих дней банков, заказов, которые получили заранее, дней недели и т.д..

Далее эти данные были отправлены на платформу Kortical AutoML для генерации моделей машинного обучения для построения наиболее эффективных для данной бизнес-задачи. В данном случае лучшей моделью, созданной для прогнозирования спроса, была XGBoost.

Итогом работы за 6 месяцев стало приложения на базе машинного обучения, которое обеспечивает следующие результаты:

- 54% сокращение просроченных тромбоцитов;

- полный отказ от дорогостоящей Ad Hoc транспортировки;

- сокращение сроков годности при сохранении высокого уровня поставок в необходимой полноте и в установленные сроки.

Простой в использовании дашборд позволяет NHSBT отказаться от систем и электронных таблиц, которые были создали поверх текущего программного обеспечения, чтобы справиться со сложностью прогнозирования спроса на тромбоциты, и получить представление, которое могут видеть все соответствующие заинтересованные стороны одновременно.