血小板用量需求预测：从单变量时间序列到多变量模型
机器学习
2024-04-30 v2 应用统计
机器学习
摘要
血小板制品既昂贵又保质期极短。由于血小板使用率高度可变，对血小板供需的有效管理十分重要却具挑战性。本文的主要目标是为加拿大血液服务局（CBS）的血小板需求提供一个高效的预测模型。为实现该目标，采用并评估了四种不同的需求预测方法：ARIMA（自回归移动平均）、Prophet、lasso 回归（最小绝对收缩与选择算子）和 LSTM（长短期记忆）网络。我们使用了一个大型临床数据集，该数据集来自安大略省汉密尔顿四家医院的集中化血液分发中心，时间跨度为 2010 年至 2018 年，包含每日血小板输注量以及产品规格、受者特征和受者实验室检测结果等信息。本研究首次利用从统计时间序列模型到数据驱动回归及机器学习技术的不同方法，结合临床预测变量和不同数据量进行血小板输注预测。我们发现多变量方法总体精度最高，然而若有充足数据，较简单的时间序列方法如 ARIMA 似乎已足够。我们也对多变量模型选择临床指标（输入）的方法作了评述。
引用
@article{arxiv.2101.02305,
title = {Demand Forecasting for Platelet Usage: from Univariate Time Series to Multivariate Models},
author = {Maryam Motamedi and Jessica Dawson and Na Li and Douglas G. Down and Nancy M. Heddle},
journal= {arXiv preprint arXiv:2101.02305},
year = {2024}
}