.png){kind=icon}
返回
Blood Procurement With Prescriptive Analytics and Deep-Learning Method
.png){kind=icon}
PRE
AI
DOI：10.1109/tem.2026.3695109.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
血液是医疗保健中一种稀缺且宝贵的资源，这使得血站和医院在应对不规律供应和异质性需求的情况下，对血液库存的有效管理成为持续的挑战。为解决严重的血液短缺问题，本文以血小板为例进行探讨。该研究采用数据驱动的规范性分析和深度学习技术，在供应不确定和需求优先级排序（紧急需求优先于常规需求）的条件下进行库存管理。首先，规范性分析方法结合局部学习预测方法与优化技术，基于历史需求和观测特征直接预测订货量，采用无分布假设的一步机器学习算法。其次，深度神经网络方法利用历史需求和特征数据构建神经网络，生成最优订货决策。两种方法均通过使用区域性血中心的真实数据进行数值实验，与传统方法进行对比评估。多年的大量样本外评估结果表明，规范性分析和深度学习在多项性能指标上均优于传统数据驱动方法。其相对性能随数据集规模变化：在数据有限时，规范性分析方法表现出较强的稳健性；随着历史数据积累，深度学习实现更高的成本效率。研究结果在不同成本参数和特征配置下保持稳定，证实了所提出框架的稳健性和可扩展性。特征选择对提升算法性能也至关重要。该研究通过揭示需求行为特征，为支持低成本、以患者为中心的血液库存管理策略提供了理论和实践贡献。
Keyword:
Modeling
Blood
Costing
Costs
Machine learning
Inventory management
Management
Hospitals
Optimization
Machining
Blood inventory management
deep learning
machine learning
prescriptive analytics
stochastic demand
uncertain supply
期刊
IF:
5.2
论文数:
442
被引数:
1.2W
机构
引用论文
.png){kind=icon}
Decision-Focused Learning: Foundations, State of the Art, Benchmark and Future Opportunities决策导向学习：基础、现状、基准和未来机遇
OAAI
OAAI分享收藏Machine learning for satisficing operational decision making: A case study in blood supply chain
PREAI
分享收藏A survey of contextual optimization methods for decision-making under uncertainty不确定条件下决策的情境优化方法综述
OAAI
OAAI分享收藏分享收藏Supercharged by Advanced Analytics, JD.com Attains Agility, Resilience, and Shared Value Across Its Supply Chain在先进分析技术的驱动下，京东（JD.com）实现了供应链的敏捷性、韧性以及共享价值。
PREAI
分享收藏分享收藏
查看更多内容