优化资源受限地区的输血并预测短缺

我们的研究解决了在资源受限地区管理输血和优化分配的严峻挑战。我们提出了供者-患者和血库选择的启发式匹配算法，以及分析输血接受数据并预测潜在短缺的机器学习方法。我们开发了模拟来优化血库运营，从随机分配发展到包含基于邻近度的选择、血型兼容性、过期优先级和稀有度评分的系统。从盲目匹配转向基于启发式的方法，输血请求接受率边际提高了28.6%，而多级启发式匹配则提高了47.6%。对于短缺预测，我们比较了长短期记忆（LSTM）网络、线性回归和自回归积分移动平均（ARIMA）模型，这些模型基于170天的历史数据进行训练。线性回归略微优于其他模型，预测的平均绝对百分比差异为1.40%。我们的解决方案利用Cassandra NoSQL数据库，集成启发式优化和短缺预测，以主动管理血液资源。这种可扩展的方法专为资源受限环境设计，考虑了邻近度、血型兼容性、库存过期和稀有度等因素。未来的发展将纳入真实世界数据和额外变量，以提高预测准确性和优化性能。