AI दवा सप्लाई चेन में अनदेखे जोखिमों को पहचानने और कम करने का नया हथियार

रिसर्चर्स ने एक हाइब्रिड मशीन लर्निंग मॉडल बनाया है, जिसके बारे में उनका दावा है कि यह उन मार्केट में फार्मास्यूटिकल डिमांड फोरकास्टिंग को बेहतर बना सकता है, जहां रेगुलेशन, मौसमी बीमारी, खरीद में देरी और अचानक होने वाली हेल्थ प्रॉब्लम की वजह से दवा की डिमांड का अनुमान लगाना मुश्किल हो जाता है।

रिसर्च में, तुर्की में एक नेशनल फार्मास्यूटिकल डिस्ट्रीब्यूटर से मिले असली ERP-बेस्ड डिमांड डेटा पर एक कंबाइंड सपोर्ट वेक्टर रिग्रेशन और डीप न्यूरल नेटवर्क मॉडल को टेस्ट किया गया, जिसमें 24 महीने के समय में 10 ज़रूरी दवाएं शामिल थीं। लेखकों का तर्क है कि फार्मास्यूटिकल फोरकास्टिंग के लिए ऐसे मॉडल की ज़रूरत है जो रेगुलर डिमांड को इर्रेगुलर रुकावट से अलग कर सकें। उनका जवाब एक टू-स्टेज रेसिडुअल लर्निंग फ्रेमवर्क है जो एक मॉडल का इस्तेमाल बेसलाइन का अनुमान लगाने के लिए करता है और दूसरा मॉडल जो मिस करता है उसे ठीक करने के लिए करता है।

यह स्टडी, जिसका टाइटल 'रेगुलेटरी और मौसमी रुकावट के तहत लचीली और टिकाऊ फार्मास्यूटिकल सप्लाई चेन के लिए हाइब्रिड मशीन लर्निंग फोरकास्टिंग' है, फ्रंटियर्स इन आर्टिफिशियल इंटेलिजेंस में पब्लिश हुई थी।

हाइब्रिड मॉडल बेसलाइन डिमांड को रुकावट के झटकों से अलग करता है

प्रस्तावित मॉडल सपोर्ट वेक्टर रिग्रेशन, या SVR, को एक डीप न्यूरल नेटवर्क, या DNN के साथ जोड़ता है। दो मॉडल को सिर्फ़ मिलाने के बजाय, फ्रेमवर्क हर मॉडल को एक खास रोल देता है।

SVR कम्पोनेंट मुख्य डिमांड पैटर्न का अनुमान लगाता है। इसका इस्तेमाल समय के साथ दवा की डिमांड की तुलनात्मक रूप से स्थिर बेसलाइन को कैप्चर करने के लिए किया जाता है। उसके बाद, DNN कम्पोनेंट को बची हुई गलतियों पर ट्रेन किया जाता है, जिसका मतलब है कि SVR फोरकास्ट द्वारा बिना बताए गए बाकी बदलाव। यह दूसरा स्टेज फ्लू की लहरों, छुट्टियों के असर और पॉलिसी-सेंसिटिव बदलावों जैसी रुकावटों से जुड़े नॉन-लीनियर डिमांड मूवमेंट को सीखने के लिए डिज़ाइन किया गया है।

फार्मास्यूटिकल डिमांड में अनुमानित और अस्थिर दोनों तरह के एलिमेंट होते हैं। एक पुरानी दवा का इस्तेमाल लगातार हो सकता है, जबकि सर्दियों में ओवर-द-काउंटर फ्लू की दवा का इस्तेमाल बढ़ सकता है। एक प्रोक्योरमेंट साइकिल बल्क ऑर्डर बना सकता है। एक पब्लिक हेल्थ चेतावनी अचानक क्षेत्रीय डिमांड को ट्रिगर कर सकती है। कीमत या रीइम्बर्समेंट का फैसला ऑर्डर करने के व्यवहार को बदल सकता है। इन सभी मूवमेंट को एक सिग्नल मानने से फोरकास्टिंग की सटीकता कमजोर हो सकती है।

स्टडी में जनवरी 2022 से दिसंबर 2023 तक 10 हाई-टर्नओवर फार्मास्यूटिकल प्रोडक्ट्स के लिए महीने के डिमांड डेटा का इस्तेमाल किया गया, जिसमें एंटीबायोटिक्स, पेनकिलर, एंटीहिस्टामाइन और सर्दी या फ्लू की दवाएं शामिल हैं। फ़िल्टरिंग और लैग कंस्ट्रक्शन के बाद, फ़ाइनल सुपरवाइज़्ड लर्निंग डेटासेट में 210 इस्तेमाल करने लायक ऑब्ज़र्वेशन शामिल थे। मॉडल ने एक से तीन महीने तक के लैग्ड डिमांड वैल्यू का इस्तेमाल किया, साथ ही कैलेंडर महीने, पब्लिक हॉलिडे और फ़्लू-सीज़न इंडिकेटर्स का भी इस्तेमाल किया।

रिसर्चर्स ने मॉडल को एक स्ट्रिक्ट टेम्पोरल होल्डआउट डिज़ाइन के ज़रिए टेस्ट किया। ट्रेनिंग के लिए जनवरी 2022 से जुलाई 2023 तक के डेटा का इस्तेमाल किया गया, जबकि अगस्त से दिसंबर 2023 तक आउट-ऑफ़-सैंपल टेस्ट पीरियड बनाया गया। इस डिज़ाइन ने भविष्य के डेटा लीक होने से बचाया और असली फोरकास्टिंग कंडीशन को दिखाया, जहाँ प्लानर्स को सिर्फ़ उस समय उपलब्ध जानकारी का इस्तेमाल करके डिमांड का अनुमान लगाना होता है।

हाइब्रिड मॉडल की तुलना न सिर्फ़ स्टैंडअलोन SVR और DNN मॉडल से की गई, बल्कि ARIMA, प्रोफेट, रैंडम फ़ॉरेस्ट, XGBoost और LSTM से भी की गई। वह बड़ा बेंचमार्क ज़रूरी था क्योंकि ये मॉडल स्टैटिस्टिकल, एडिटिव टाइम-सीरीज़, ट्री-बेस्ड और डीप लर्निंग अप्रोच सहित मुख्य फोरकास्टिंग फ़ैमिलीज़ को दिखाते हैं।

हाइब्रिड मॉडल ने पूरे बेंचमार्क ग्रुप में सबसे मज़बूत परफ़ॉर्मेंस दी। इसने सबसे कम फोरकास्टिंग एरर और सबसे ज़्यादा एक्सप्लेनेटरी परफ़ॉर्मेंस रिकॉर्ड की। इसका मीन एब्सोल्यूट एरर 23.8 तक पहुंच गया, इसका मीन स्क्वेयर्ड एरर 972.4 तक पहुंच गया, इसका मीन एब्सोल्यूट परसेंटेज एरर 7.8 परसेंट था, और इसकी R² वैल्यू 0.935 थी। DNN सबसे करीबी कॉम्पिटिटर था, उसके बाद LSTM और XGBoost थे, जबकि ARIMA और SVR ने डिसरप्टेड डिमांड कंडीशन में बहुत खराब परफॉर्म किया।

स्टैंडअलोन SVR की तुलना में, हाइब्रिड मॉडल ने मीन स्क्वेयर्ड एरर को 77.6 प्रतिशत और मीन एब्सोल्यूट एरर को 53.5 प्रतिशत कम किया। स्टैंडअलोन DNN की तुलना में, इसने मीन स्क्वेयर्ड एरर को 14.5 प्रतिशत और मीन एब्सोल्यूट एरर को 13.1 प्रतिशत कम किया। रिसर्चर्स ने इस नतीजे को सपोर्ट करने के लिए पेयर्ड टी-टेस्ट और डाइबोल्ड-मारियानो टेस्ट का भी इस्तेमाल किया कि हाइब्रिड मॉडल के फायदे रैंडम के बजाय स्टैटिस्टिकली मीनिंगफुल थे।

एक्सप्लेनेबल AI प्लानर्स को फोरकास्ट के पीछे साफ कारण बताता है

स्टडी SHAP एनालिसिस, एक एक्सप्लेनेबल AI मेथड का भी इस्तेमाल करती है, यह दिखाने के लिए कि डिमांड में बदलाव में किन फैक्टर्स का सबसे ज़्यादा योगदान था। यह फार्मास्युटिकल लॉजिस्टिक्स में मायने रखता है क्योंकि प्लानर्स, इन्वेंट्री मैनेजर्स, हॉस्पिटल एडमिनिस्ट्रेटर्स और रेगुलेटर्स को अक्सर यह समझने की ज़रूरत होती है कि कोई मॉडल ज़्यादा या कम डिमांड का फोरकास्ट क्यों कर रहा है।

SHAP एनालिसिस ने लैग्ड डिमांड, फ्लू-सीज़न इंडिकेटर्स, पब्लिक हॉलिडे और कैलेंडर महीने को मुख्य प्रेडिक्टर्स के तौर पर पहचाना। पिछले महीने की डिमांड खास तौर पर ज़रूरी थी, जबकि फ्लू-सीज़न के असर एंटीपायरेटिक्स और एंटीबायोटिक्स जैसे प्रोडक्ट्स के लिए असरदार थे। पब्लिक छुट्टियों और सीज़नल वैरिएबल ने भी शॉर्ट-टर्म डिमांड मूवमेंट को समझने में मदद की।

यह इंटरप्रिटेबिलिटी रेगुलेटेड फार्मास्यूटिकल सप्लाई चेन के लिए ज़रूरी है। एक मॉडल जो सटीक लेकिन बिना समझाए फोरकास्ट देता है, उस पर ऑपरेशनल सेटिंग्स में भरोसा करना मुश्किल हो सकता है। डिसीजन लेने वालों को प्रोक्योरमेंट में बदलाव, सेफ्टी स्टॉक लेवल या इमरजेंसी ऑर्डरिंग को सही ठहराने की ज़रूरत पड़ सकती है। पब्लिक हेल्थ के मामलों में, ओपेक मॉडल आउटपुट का बचाव करना मुश्किल हो सकता है।

लेखक SHAP को फोरकास्ट रिजल्ट को ऑपरेशनल रीज़निंग से जोड़ने के तरीके के तौर पर फ्रेम करते हैं। अगर मॉडल डिमांड में बढ़ोतरी का अनुमान लगाता है, तो प्लानर देख सकते हैं कि सिग्नल हाल की डिमांड, सीज़नल बीमारी, छुट्टियों या दूसरी कॉन्टेक्स्चुअल फीचर्स से मिल रहा है या नहीं। इससे सप्लाई टीमों को रेगुलर डिमांड में बढ़ोतरी और संभावित चेतावनी के संकेतों के बीच फर्क करने में मदद मिल सकती है।

रिसर्च ने अनसर्टेनिटी का भी मूल्यांकन किया। हाइब्रिड मॉडल ने मुख्य मॉडल्स में सबसे कम रेसिडुअल-बेस्ड 95 परसेंट प्रेडिक्शन इंटरवल दिया, जो कम फोरकास्ट अनसर्टेनिटी दिखाता है। यह ज़रूरी है क्योंकि फार्मास्यूटिकल इन्वेंट्री के फैसले न केवल एक्सपेक्टेड डिमांड नंबर पर, बल्कि उसके आस-पास के रिस्क पर भी निर्भर करते हैं। कम अनसर्टेनिटी बैंड बेहतर सेफ्टी स्टॉक प्लानिंग में मदद कर सकते हैं और ओवरस्टॉकिंग या शॉर्टेज के रिस्क को कम कर सकते हैं।

मॉडल ने अलग-अलग तरह के प्रोडक्ट पर भी अच्छा परफॉर्म किया। इसे सीज़नल, क्रोनिक और प्रमोशन-सेंसिटिव दवाओं पर डिटेल में टेस्ट किया गया। सीज़नल प्रोडक्ट के लिए, इसने SVR से बेहतर पीक को ट्रैक किया। क्रोनिक दवाओं के लिए, इसने स्टेबल फोरकास्ट बनाए रखा। प्रमोशनल या एलर्जी से होने वाले उतार-चढ़ाव से प्रभावित प्रोडक्ट के लिए, इसने स्टैंडअलोन मॉडल की तुलना में अचानक बदलावों को बेहतर तरीके से हैंडल किया।

एडिशनल सेंसिटिविटी टेस्ट में पाया गया कि तीन महीने के लैग स्ट्रक्चर ने सबसे अच्छा परफॉर्मेंस दिया, जबकि ज़्यादा लैग स्ट्रक्चर में ओवरफिटिंग का रिस्क था। आर्टिफिशियल नॉइज़ के साथ रोबस्टनेस टेस्टिंग से पता चला कि जब इनपुट डेटा इम्परफेक्ट हो गया तो DNN और हाइब्रिड मॉडल SVR की तुलना में ज़्यादा रेसिलिएंट थे। यह रेलिवेंट है क्योंकि असली फार्मास्यूटिकल डेटा में रिपोर्टिंग में देरी, मैनुअल एरर, मिसिंग अपडेट और इर्रेगुलर फार्मेसी रिकॉर्ड हो सकते हैं।

दो रिप्रेजेंटेटिव प्रोडक्ट पर एक कॉम्पैक्ट वॉक-फॉरवर्ड वैलिडेशन चेक भी किया गया। रिजल्ट ओरिजिनल होल्डआउट परफॉर्मेंस के करीब रहे, जिससे पता चलता है कि हाइब्रिड मॉडल के गेन एक सिंगल ट्रेन-टेस्ट स्प्लिट पर डिपेंडेंट नहीं थे।

बेहतर अनुमान से स्टॉक खत्म होना, बर्बादी और इमरजेंसी खरीद कम हो सकती है।

रेगुलेटेड मार्केट में फार्मास्यूटिकल डिस्ट्रीब्यूटर को सर्विस कंटिन्यूटी, इन्वेंट्री कॉस्ट, प्रोडक्ट शेल्फ लाइफ और कम्प्लायंस में बैलेंस बनाना होता है। अनुमान लगाने में गलती होने पर इमरजेंसी खरीद करनी पड़ सकती है, स्टोरेज कॉस्ट बढ़ सकती है, दवाइयां एक्सपायर होने तक बर्बाद हो सकती हैं या मरीज़ों को समय पर दवा नहीं मिल पाती।

हाइब्रिड SVR-DNN मॉडल प्लानर को आने वाले डिमांड में बदलाव का पहले पता लगाने और कमी होने से पहले खरीद के शेड्यूल को एडजस्ट करने में मदद कर सकता है। फ्लू-सीज़न और छुट्टियों के इंडिकेटर को शामिल करके, मॉडल पब्लिक हेल्थ और कैलेंडर इवेंट के आस-पास डिमांड में होने वाले बदलावों का बेहतर अंदाज़ा लगा सकता है। बचे हुए रुकावट के पैटर्न को सीखकर, यह उन अनियमित बदलावों पर भी रिस्पॉन्ड कर सकता है जिन्हें बेसलाइन मॉडल मिस कर देता है।

तुर्किये के लिए, फार्मास्यूटिकल डिस्ट्रीब्यूशन सेंट्रलाइज़्ड ब्यूरोक्रेसी, फिक्स्ड प्राइसिंग पॉलिसी, रीइंबर्समेंट कंट्रोल और रीजन-स्पेसिफिक खरीद व्यवहार से तय होता है। ये फैक्टर लोकल इम्बैलेंस और देर से जवाब देने की वजह बन सकते हैं। एक ज़्यादा सटीक अनुमान लगाने वाला सिस्टम डिस्ट्रीब्यूटर को इन्वेंट्री को असल रीजनल कंजम्पशन पैटर्न के साथ अलाइन करने में मदद कर सकता है।

रिसर्च अनुमान लगाने की सटीकता को सस्टेनेबिलिटी से भी जोड़ती है। बेहतर डिमांड का अनुमान गैर-ज़रूरी ओवरप्रोडक्शन, ज़्यादा स्टोरेज और दवा की बर्बादी को कम कर सकता है। हेल्थकेयर सप्लाई चेन में, सस्टेनेबिलिटी सिर्फ़ एनवायरनमेंटल नहीं है। इसमें रेजिलिएंस, एक्सेस और रुकावट के दौरान सर्विस बनाए रखने की क्षमता भी शामिल है।

यह मॉडल ERP डैशबोर्ड और सप्लाई चेन मैनेजमेंट सिस्टम को भी सपोर्ट कर सकता है। क्योंकि स्टडी में ERP-बेस्ड डिमांड डेटा का इस्तेमाल किया गया था, इसलिए फ्रेमवर्क को एक ऐसे टूल के तौर पर रखा गया है जिसे लैबोरेटरी मॉडल बने रहने के बजाय ऑपरेशनल प्लानिंग में इंटीग्रेट किया जा सकता है। इसकी एक्सप्लेनेबिलिटी इसे ऑडिट टीमों और रेगुलेटरी स्टेकहोल्डर्स के लिए ज़्यादा एक्सेप्टेबल भी बना सकती है।

नतीजों में कुछ ज़रूरी लिमिट्स भी हैं, जिसमें यह भी शामिल है कि डेटासेट में सिर्फ़ 24 महीने और तुर्की में एक नेशनल डिस्ट्रीब्यूटर के 10 प्रोडक्ट्स शामिल हैं, जिससे नतीजे टेस्ट किए गए कॉन्टेक्स्ट के लिए बहुत रेलिवेंट हो जाते हैं, लेकिन दूसरे मार्केट, डिस्ट्रीब्यूटर या रेगुलेटरी एनवायरनमेंट के लिए ऑटोमैटिकली जनरलाइज़ेबल नहीं हैं। लेखक यह भी बताते हैं कि पॉलिसी, मैक्रोइकोनॉमिक कंडीशन, प्रिस्क्राइबिंग बिहेवियर या बीमारी के पैटर्न में बदलाव सहित कॉन्सेप्ट ड्रिफ्ट की स्टडी करने के लिए लंबे डेटासेट की ज़रूरत होगी।

स्टडी में सभी प्रोडक्ट्स पर पूरा क्रॉस-SKU वैलिडेशन भी नहीं किया गया। इसका वॉक-फॉरवर्ड रोबस्टनेस चेक सिर्फ़ दो रिप्रेजेंटेटिव प्रोडक्ट्स तक लिमिटेड था। मॉडल को बड़े पैमाने पर वैलिडेट करने से पहले ज़्यादा दवाओं, लंबे टाइम होराइजन, हॉस्पिटल सिस्टम, फार्मेसी नेटवर्क और पब्लिक प्रोक्योरमेंट ऑर्गेनाइजेशन्स पर बड़े पैमाने पर टेस्टिंग की ज़रूरत होगी।

भविष्य की रिसर्च में LSTM, GRU और ट्रांसफॉर्मर-बेस्ड मॉडल्स जैसे और भी एडवांस्ड आर्किटेक्चर को टेस्ट किया जा सकता है, खासकर लंबे समय के फोरकास्ट के लिए। और काम में रियल-टाइम इन्वेंट्री लेवल, शिपिंग डेटा, ई-प्रिस्क्रिप्शन जानकारी और रीजनल एपिडेमियोलॉजिकल सिग्नल को भी इंटीग्रेट किया जा सकता है। ऐसा डेटा डिमांड की स्थिति बदलने पर मॉडल्स को तेज़ी से एडजस्ट करने में मदद कर सकता है।